[發明專利]一種音頻合成方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 202011296891.1
• 申請日: 2020-11-18
• 公開（公告）號: CN112420015A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 徐東
• 申請（專利權）人: 騰訊音樂娛樂科技（深圳）有限公司
• 主分類號: G10L13/02
• 分類號: G10L13/02;G10L13/08;G10L25/30;G10L25/51
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 張金香

1.一種音頻合成方法，其特征在于，包括：

獲取干聲音頻；

獲取與所述干聲音頻對應的原始音素數據，所述原始音素數據包括所述干聲音頻中音素的起止時間，所述起止時間包括開始時間與結束時間；

獲取對所述原始音素數據進行錯誤修復后得到的校準音素數據；

將所述原始音素數據與所述校準音素數據進行對比，將起止時間相同且音素相同的音素數據確定為互驗音素數據；

將所述互驗音素數據與所述干聲音頻進行處理，得到所述互驗音素數據對應的互驗干聲；

基于所述互驗音素數據及所述互驗干聲對神經網絡模型進行訓練，以基于訓練好的所述神經網絡模型進行音頻合成。

2.根據權利要求1所述的方法，其特征在于，所述將所述原始音素數據與所述校準音素數據進行對比，將起止時間相同且音素相同的音素數據確定為互驗音素數據，包括：

在所述原始音素數據中，將持續時長小于預設時長的音素數據置為sil音素，得到篩除后原始音素數據；

在所述校準音素數據中，將持續時長小于所述預設時長的音素數據置為所述sil音素，得到篩除后校準音素數據；

在所述篩除后校準音素數據中，將起止時間與所述篩除后原始音素數據中的起止時間相同、但音素不同的音素置為所述sil音素，得到處理后的校準音素數據；

將所述處理后的校準音素數據確定為所述互驗音素數據。

3.根據權利要求2所述的方法，其特征在于，所述將所述處理后的校準音素數據確定為所述互驗音素數據，包括：

確定出所述處理后的校準音素數據中的相鄰音素數據；

若所述相鄰音素數據的起止時間不連續，則在所述處理后的校準音素數據中，將所述相鄰音素數據的起止時間調整為連續，將調整后的校準音素數據確定為所述互驗音素數據；

若所述相鄰音素數據的起止時間連續，則直接將所述處理后的校準音素數據確定為所述互驗音素數據。

4.根據權利要求3所述的方法，其特征在于，所述將所述互驗音素數據與所述干聲音頻進行處理，得到所述互驗音素數據對應的互驗干聲，包括：

獲取所述互驗音素數據中內容為sil的音素的目標起止時間；

在所述干聲音頻中，將起止時間與所述目標起止時間相同的干聲內容置為靜音，將調整后的所述干聲音頻作為所述互驗干聲。

5.根據權利要求4所述的方法，其特征在于，所述將起止時間與所述目標起止時間相同的干聲內容置為靜音，包括：

確定出起止時間與所述目標起止時間相同的所述干聲內容；

按照所述干聲內容的生成順序，將所述干聲內容分為起始段干聲內容、中間段干聲內容及結束段干聲內容；

對所述起始段干聲內容進行淡出處理，將淡出處理結果作為所述起始段干聲內容的靜音結果；

直接將所述中間段干聲內容置為靜音；

對所述結束段干聲內容進行淡入處理，將淡入處理結果作為所述結束段干聲內容的靜音結果。

6.根據權利要求5所述的方法，其特征在于，所述對所述起始段干聲內容進行淡出處理，包括：

將所述起始段干聲內容的音頻與預設cos函數相乘，得到所述淡出處理結果；

所述對所述結束段干聲內容進行淡入處理，包括：

將所述結束段干聲內容的音頻與預設sin函數相乘，得到所述淡入處理結果。

7.根據權利要求1至6任一項所述的方法，其特征在于，所述獲取干聲音頻，包括：

獲取音頻格式為WAV的所述干聲音頻。