[發明專利]語音合成方法、裝置、設備以及存儲介質

在審

• 申請號: 202011273128.7
• 申請日: 2020-11-13
• 公開（公告）號: CN112382270A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 湯本來;李忠豪
• 申請（專利權）人: 北京有竹居網絡技術有限公司
• 主分類號: G10L13/02
• 分類號: G10L13/02;G10L13/08;G10L25/03;G10L25/30
• 代理公司: 北京海智友知識產權代理事務所(普通合伙) 11455
• 代理人: 吳京順

本申請公開了一種語音合成方法、裝置、設備以及存儲介質，涉及語音合成、自然語言處理、計算機技術、人工智能、深度學習領域。具體實現方案為：獲取目標文本和目標音頻；基于目標文本，確定用于指示目標口音的第一聲學特征；基于目標音頻，確定目標音色；確定第一聲學特征中的語言學特征；基于目標音色、語言學特征和目標文本，確定目標文本對應的目標具有目標口音的音頻，并輸出目標音頻。本實現方式通過根據獲取的目標文本確定的語言學特征以及通過獲取的目標音頻確定的目標音色，可以準確、快速地合成目標文本對應的具有目標口音和目標音色的目標音頻。

技術領域

本申請涉及計算機技術領域，具體涉及語音合成、自然語言處理、計算機技術、人工智能、深度學習領域，尤其涉及語音合成方法、裝置、設備以及存儲介質。

背景技術

近年來，由于在線教育和在線學習的迅猛發展，語音合成技術得到了廣泛的研究與關注，語音合成旨在于將某一用戶的語音合成為不同口音或不同音色或既不同口音又不同音色等的音頻。語音合成技術在娛樂方面也有很大的應用前景。利用現有的語音合成技術進行語音合成速度慢而且語音合成的結果往往不準確。

發明內容

本公開提供了一種語音合成方法、裝置、設備以及存儲介質。

根據本公開的一方面，提供了一種語音合成方法，包括：獲取目標文本和目標音頻；基于目標文本，確定用于指示目標口音的第一聲學特征；基于目標音頻，確定目標音色；確定第一聲學特征中的語言學特征；基于目標音色、語言學特征和目標文本，確定目標文本對應的具有目標口音和目標音色的音頻，并輸出具有目標口音和目標音色的音頻。

根據本公開的另一方面，提供了一種語音合成裝置，包括：獲取單元，被配置成獲取目標文本和目標音頻；第一聲學特征確定單元，被配置成基于目標文本，確定用于指示目標口音的第一聲學特征；目標音色確定單元，被配置成基于目標音頻，確定目標音色；語言學特征確定單元，被配置成確定第一聲學特征中的語言學特征；轉換單元，被配置成基于目標音色、語言學特征和目標文本，確定目標文本對應的具有目標口音和目標音色的音頻，并輸出具有目標口音和目標音色的音頻。

根據本公開的再一方面，提供了一種語音合成電子設備，包括：至少一個處理器；以及與至少一個處理器通信連接的存儲器；其中，存儲器存儲有可被至少一個處理器執行的指令，指令被至少一個處理器執行，以使至少一個處理器能夠執行如上述語音合成方法。

根據本公開的又一方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質，上述計算機指令用于使計算機執行如上述語音合成方法。

根據本申請的技術解決了無法準確、快速地進行語音合成的問題，通過根據獲取的目標文本確定的語言學特征以及通過獲取的目標音頻確定的目標音色，可以準確、快速地合成目標文本對應的具有目標口音和目標音色的目標音頻。

應當理解，本部分所描述的內容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

附圖說明

附圖用于更好地理解本方案，不構成對本申請的限定。其中：

圖1是本申請的一個實施例可以應用于其中的示例性系統架構圖；

圖2是根據本申請的語音合成方法的一個實施例的流程圖；

圖3是根據本申請的語音合成方法的一個應用場景的示意圖；

圖4是根據本申請的語音合成方法的另一個實施例的流程圖；

圖5是根據本申請的語音合成裝置的一個實施例的結構示意圖；

圖6是用來實現本申請實施例的語音合成方法的電子設備的框圖。

具體實施方式