[發明專利]一種語音合成方法、裝置、電子設備及存儲介質

在審

• 申請號: 202110251885.2
• 申請日: 2021-03-08
• 公開（公告）號: CN113096640A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 彭話易;黃旭為;張國鑫
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G10L13/08
• 分類號: G10L13/08;G10L13/10;G06F16/33;G06F16/36
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

1.一種語音合成方法，其特征在于，包括：

獲取待合成文本；

根據所述待合成文本的音素序列，確定所述待合成文本的文本特征；

根據輸入的情感標簽和情感強度值，確定所述待合成文本的情感特征；

融合所述文本特征和所述情感特征，得到所述待合成文本對應的情感文本特征；

根據所述情感文本特征，確定所述待合成文本對應的聲學特征；

根據所述待合成文本對應的聲學特征合成目標情感語音。

2.根據權利要求1所述的語音合成方法，其特征在于，所述根據輸入的情感標簽和情感強度值，確定所述待合成文本的情感特征，包括：

確定輸入的情感標簽對應的獨熱編碼向量；

根據所述獨熱編碼向量和預設的情感詞典，得到所述情感標簽對應的情感編碼信息；

根據所述情感編碼信息和輸入的情感強度值，得到所述待合成文本的情感特征。

3.根據權利要求1所述的語音合成方法，其特征在于，所述根據所述情感文本特征，確定所述待合成文本對應的聲學特征，包括：

將所述情感文本特征輸入至聲學特征模型，得到所述音素序列中各音素的時長特征、基頻特征和能量特征；

將所述情感文本特征與所述音素序列中各音素的時長特征、基頻特征和能量特征進行融合，得到目標融合文本特征；

根據所述目標融合文本特征，得到所述待合成文本對應的聲學特征。

4.根據權利要求3所述的語音合成方法，其特征在于，所述將所述情感文本特征輸入至聲學特征模型，得到所述音素序列中各音素的時長特征，包括：

將所述情感文本特征輸入至聲學特征模型的時長預測網絡，得到所述音素序列中各音素的預測時長特征；

獲取輸入的時長調整系數；

根據所述時長調整系數對所述音素序列中各音素的預測時長特征進行調整，得到所述音素序列中各音素的時長特征。

5.根據權利要求3所述的語音合成方法，其特征在于，所述將所述情感文本特征輸入至聲學特征模型，得到所述音素序列中各音素的基頻特征，包括：

將所述情感文本特征輸入至所述聲學特征模型的基頻預測網絡，得到所述音素序列中各音素的預測基頻特征；

獲取輸入的基頻調整值和預設基頻調整方式；

根據所述基頻調整值和所述預設基頻調整方式，對所述音素序列中各音素的預測基頻特征進行調整，得到所述音素序列中各音素的基頻特征。

6.根據權利要求3所述的語音合成方法，其特征在于，所述將所述情感文本特征輸入至聲學特征模型，得到所述音素序列中各音素的能量特征，包括：

將所述情感文本特征與所述音素序列中各音素的基頻特征進行融合，得到第一融合文本特征；

將所述第一融合文本特征輸入至所述聲學特征模型的能量預測網絡，得到所述音素序列中各音素的預測能量特征；

獲取輸入的能量調整值和預設能量調整方式；

根據所述能量調整值和所述預設能量調整方式，對所述音素序列中各音素的預測能量特征進行調整，得到所述音素序列中各音素的能量特征。

7.一種語音合成裝置，其特征在于，包括：

文本獲取單元，被配置為執行獲取待合成文本；

文本特征確定單元，被配置為執行根據所述待合成文本的音素序列，確定所述待合成文本的文本特征；

情感特征確定單元，被配置為執行根據輸入的情感標簽和情感強度值，確定所述待合成文本的情感特征；

第一融合單元，被配置為執行融合所述文本特征和所述情感特征，得到所述待合成文本對應的情感文本特征；

聲學特征確定單元，被配置為執行根據所述情感文本特征，確定所述待合成文本對應的聲學特征；

語音合成單元，被配置為執行根據所述待合成文本對應的聲學特征合成目標情感語音。

8.一種電子設備，其特征在于，包括：

處理器；

用于存儲所述處理器可執行指令的存儲器；

其中，所述處理器被配置為執行所述指令，以實現如權利要求1至6中任一項所述的語音合成方法。