[發(fā)明專利]語音合成方法及裝置

在審

• 申請?zhí)枺?/td>: 202011266074.1
• 申請日: 2020-11-13
• 公開（公告）號: CN112420017A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計）人: 滿達(dá)
• 申請（專利權(quán)）人: 北京沃東天駿信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號: G10L13/10
• 分類號: G10L13/10
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 趙婷

本公開提供了一種語音合成方法，本方法包括：接收來自用戶終端的語音服務(wù)請求；確定與所述語音服務(wù)請求關(guān)聯(lián)的待處理語料；確定針對所述待處理語料的文本特征，所述文本特征包括音素序列和音律特征；基于所述文本特征，確定針對所述待處理語料的聲學(xué)特征；基于所述文本特征和所述聲學(xué)特征，進(jìn)行針對所述待處理語料的語音合成；將語音合成結(jié)果返回所述用戶終端。本公開還提供了一種語音合成裝置、一種電子設(shè)備及一種計算機(jī)可讀存儲介質(zhì)。

技術(shù)領(lǐng)域

本公開涉及人工智能領(lǐng)域，更具體地，涉及一種語音合成方法、一種語音合成裝置、一種電子設(shè)備以及一種計算機(jī)可讀存儲介質(zhì)。

背景技術(shù)

隨著計算機(jī)技術(shù)的日益成熟，人工智能領(lǐng)域得以迅速發(fā)展，語音合成在人工智能領(lǐng)域中具有重要作用。隨著人工智能技術(shù)的滲透，人們對語音合成服務(wù)的需求越來越高。

在實現(xiàn)本發(fā)明公開構(gòu)思過程中，發(fā)明人發(fā)現(xiàn)由于不同平臺的操作系統(tǒng)和軟件環(huán)境不同，需要針對不同平臺設(shè)計對應(yīng)的語音合成工具；并且，由于不同用戶終端的硬件環(huán)境和配置參數(shù)不同，相同語音合成工具在不同用戶終端中的運行性能可能不同。這一方面提高了語音合成工具的開發(fā)成本，另一方面影響了語音合成工具的使用性能。

發(fā)明內(nèi)容

有鑒于此，本公開提供了一種開發(fā)成本低、通用性強(qiáng)、語音合成效果穩(wěn)定的語音合成方法及裝置。

本公開的一個方面提供了一種語音合成方法，應(yīng)用于語音合成引擎，包括：接收來自用戶終端的語音服務(wù)請求；確定與上述語音服務(wù)請求關(guān)聯(lián)的待處理語料；確定針對上述待處理語料的文本特征，上述文本特征包括音素序列和音律特征；基于上述文本特征，確定針對上述待處理語料的聲學(xué)特征；基于上述文本特征和上述聲學(xué)特征，進(jìn)行針對上述待處理語料的語音合成；將語音合成結(jié)果返回上述用戶終端。

可選地，上述接收來自用戶終端的語音服務(wù)請求，包括：通過預(yù)設(shè)通信鏈路接收上述語音服務(wù)請求，上述預(yù)設(shè)通信鏈路支持離線數(shù)據(jù)傳輸。

可選地，上述確定針對上述待處理語料的文本特征，包括：獲得針對上述待處理語料的分詞序列；確定與上述分詞序列關(guān)聯(lián)的音素序列；利用預(yù)設(shè)的音律結(jié)構(gòu)模型，確定上述音素序列中的各音素的發(fā)音時長，以得到上述音律特征。

可選地，上述利用預(yù)設(shè)的音律結(jié)構(gòu)模型，確定上述音素序列中的各音素的發(fā)音時長，以得到上述音律特征，包括：將上述音素序列輸入上述音律結(jié)構(gòu)模型，確定與上述音素序列關(guān)聯(lián)的至少一個音律結(jié)構(gòu)，其中，上述音律結(jié)構(gòu)包括音律詞結(jié)構(gòu)、音律短語結(jié)構(gòu)和語義短語結(jié)構(gòu)中的至少之一；根據(jù)音律結(jié)構(gòu)與停頓時長的預(yù)設(shè)關(guān)聯(lián)關(guān)系，確定針對各上述音律結(jié)構(gòu)的停頓時長；根據(jù)針對各上述音律結(jié)構(gòu)的停頓時長，確定上述音素序列中的各音素的發(fā)音時長，以得到上述音律特征。

可選地，上述基于上述文本特征，確定針對上述待處理語料的聲學(xué)特征，包括：根據(jù)上述音律特征指示的各音素的發(fā)音時長，將上述各音素轉(zhuǎn)換為幀序列單元；利用預(yù)設(shè)的聲學(xué)特征模型，確定與各上述幀序列單元關(guān)聯(lián)的聲學(xué)特征，以得到針對上述待處理語料的聲學(xué)特征。

可選地，上述聲學(xué)特征模型包括：基于通用樣本數(shù)據(jù)訓(xùn)練得到的基礎(chǔ)聲學(xué)模型，和/或利用個性化樣本數(shù)據(jù)對上述基礎(chǔ)聲學(xué)模型訓(xùn)練得到的個性化聲學(xué)模型，其中，上述通用樣本數(shù)據(jù)包括至少一個用戶的語音和/或語料樣本，上述個性化樣本數(shù)據(jù)包括預(yù)設(shè)用戶的語音和/或語料樣本。

可選地，上述聲學(xué)特征包括譜特征、基頻特征、能量特征和非周期特征中的至少之一。

本公開的另一個方面提供了一種語音合成裝置，包括接收模塊，用于接收來自用戶終端的語音服務(wù)請求；第一處理模塊，用于確定與上述語音服務(wù)請求關(guān)聯(lián)的待處理語料；第二處理模塊，用于確定針對上述待處理語料的文本特征，上述文本特征包括音素序列和音律特征；第三處理模塊，用于基于上述文本特征，確定針對上述待處理語料的聲學(xué)特征；第四處理模塊，用于基于上述文本特征和上述聲學(xué)特征，進(jìn)行針對上述待處理語料的語音合成；發(fā)送模塊，用于將語音合成結(jié)果返回上述用戶終端。