[发明专利]文本到语音的方法和系统

说明书

相关申请的交叉引用

本申请基于并要求2012年3月14日提交的申请号为No.1204502.7的英国专利申请的优先权，其整个内容在此作为参考被结合。

技术领域

在此一般描述的实施例涉及文本到语音的系统和方法。

背景技术

文本到语音的系统是其中响应于接收文本文件而输出音频语音或音频语音文件的系统。

文本到语音的系统被广泛用于各种应用，诸如电子游戏、电子书阅读器、电子邮件阅读器、卫星导航、自动电话系统、自动报警系统。

发明内容

为了解决持续需要使系统听起来更像人类声音的问题，本实施例提供一种文本到语音的方法和系统。

在一个实施例中，一种用于模拟多个不同的声音特性的文本到语音的方法，包括：

输入文本；

将所输入的文本划分成声学单元序列；

选择用于所输入的文本的声音特性；

使用声学模型，将所述声学单元序列转换成语音向量序列，其中，所述模型具有多个模性参数，其描述将声学单元与语音向量相关的概率分布；以及

输出所述语音向量序列，作为具有所选择的声音特性的音频；

其中，在所选择的声音特性中每个概率分布的预定类型的参数被表示为相同类型的参数的加权和，其中，所使用的权重是依赖声音特性的，以使得将所述声学单元序列转换成语音向量序列包括获取用于所选择的声音特性的声音特性依赖权重，其中所述参数在聚类（cluster）中提供，每个聚类包括至少一个子聚类，其中对于每个聚类，获取所述声音特性依赖权重，以使得每个子聚类有一个权重。

每个子聚类可包括至少一个决策树，所述决策树基于与语言差异、语音差异、韵律差异中的至少一个有关的问题。聚类的决策树之间的结构以及子聚类中的树之间的结构有差异。

概率分布可从高斯分布、泊松分布、伽马分布、学生t（Student-t）分布或拉普拉斯分布中选择。

在一个实施例中，多个声音特性从不同的说话者声音、不同的说话者风格、不同的说话者情绪或不同的口音的至少一个中选择。选择声音特性可包括提供输入以允许权重通过该输入选择。另外，选择声音特性可包括根据将要被输出的文本预测应当被使用的权重。在又一个实施例中，选择声音特性还可包括根据有关说话者的类型的外部信息预测应当被使用的权重。

该方法还可适配于新的声音特性。例如，选择声音特性可包括：接收包含声音的音频输入，并改变权重以模拟音频输入的声音的声音特性。

在另一个实施例中，选择声音特性包括从预先存储的多组权重中随机选择一组权重，其中，每组权重都包括用于所有子聚类的权重。

在另一个实施例中，选择声音特性包括接收包括多个值的输入，并将所述多个值映射到所述权重。例如，这种值可占用n维值空间，所述权重占用w维权重空间，其中n和w是整数，并且w大于n，以使得所述变换将输入值变换到更高维度空间。这些值可直接表示可识别的说话者特性，诸如高兴的声音、紧张的声音、愤怒的声音等。然后，值空间可被认为是“情绪空间”，其中，用户或者某些其它对文本的上下文的指示指明所输出的声音应当在情绪空间上的哪里，然后这被映射到权重空间，其通常具有比“情绪空间”更大的维度。

在另一个实施例中，提供了一种使文本到语音的系统适配于在音频文件中包含的声音特性的方法，所述文本到语音的系统包括：

处理器，其被配置为：

接收文本输入；

将所输入的文本划分成声学单元序列；

选择用于所输入的文本的声音特性；

使用声学模型，将所述声学单元序列转换成语音向量序列，其中所述模型具有多个模型参数，其描述将声学单元与语音向量相关的概率分布；以及

输出所述语音向量序列，作为具有所选择的声音特性的音频；

其中，在所选择的声音特性中每个概率分布的预定类型的参数被表示为相同类型的参数的加权和，其中，所使用的权重是依赖声音特性的，以使得将所述声学单元序列转换成语音向量序列包括获取用于所选择的声音特性的声音特性依赖权重，其中所述参数在聚类中提供，每个聚类包括至少一个子聚类，其中对于每个聚类，获取所述声音特性依赖权重，以使得每个子聚类有一个权重；

该方法包括：

接收新的输入音频文件；

计算应用于所述聚类的权重，以使所生成的语音与新的音频文件之间的相似性最大。