[发明专利]基于大语料库的语音合成方法和装置

说明书

技术领域

本发明实施例涉及文语转换技术领域，尤其涉及一种基于大语料库的语音合成方法和装置。

背景技术

语音是人机交流最习惯、最自然的方式。将文字输入转成语音输出的技术称为文语转换(Text-to-Speech,TTS)或语音合成技术。它涉及声学、语言学、数字信号处理多媒体技术等多个领域，是中文信息处理领域的一项前沿技术。

图1示出了现有技术提供的语音合成系统的信号流。参见图1，在训练阶段，可以依据对文本语料库101和语音语料库102中的标注数据训练得到韵律结构预测模型103、声学模型104以及候选单元105。其中，所述韵律结构预测模型103为语音合成阶段中的韵律结构预测107提供参考，所述声学模型104为语音合成109提供依据，而候选单元105是在波形拼接式的语音合成109中用于调取常用的候选波形的软件单元。

在语音合成阶段，首先对输入的文本进行文本分析106，然后根据韵律结构预测模型103对输入文本的进行韵律结构预测107，再根据不同的语音合成模式，也即参数合成式语音合成或者波形拼接式语音合成进行参数预测/单元选择108，最后进行最终的语音合成109。

采用现有的语音合成系统进行韵律结构预测，已经能够针对一定的输入文本得到该输入文本的确定的韵律层级结构。但是，在人们实际的交流中，语音的韵律层级结构往往受到多种因素的影响。图2是真人语音中韵律结构的影响因素的原理示意图。参见图2，真人语音的韵律结构可能会受到说话人特征、感情、基本频率和句子的意思的影响。以说话人特征为例，年龄在70岁的男人说话的韵律结构就与年龄在30岁的女人说话的韵律结构不同。

因此，按照统一的韵律结构预测模型103预测得到的句子的韵律结构的灵活性不好，造成语音合成系统最终合成的语音的自然度不高。

发明内容

有鉴于此，本发明实施例提出一种基于大语料库的语音合成方法和装置，以提高合成语音的自然度和灵活性。

第一方面，本发明实施例提供了一种基于大语料库的语音合成方法，所述方法包括：

利用韵律结构预测模型对输入的文本进行韵律结构预测处理，给出至少两个备选韵律边界划分方案；

根据所述至少两个备选韵律边界划分方案中韵律单元在语音语料库中的结构概率信息确定韵律边界划分方案；

根据所确定的韵律边界划分方案进行语音合成。

第二方面，本发明实施例提供了一种基于大语料库的语音合成装置，所述装置包括：

预测处理模块，用于利用韵律结构预测模型对输入的文本进行韵律结构预测处理，给出至少两个备选韵律边界划分方案；

边界划分模块，用于根据所述至少两个备选韵律边界划分方案中韵律单元在语音语料库中的结构概率信息确定韵律边界划分方案；

语音合成模块，用于根据所确定的韵律边界划分方案进行语音合成。

本发明实施例提供的基于大语料库的语音合成方法和装置，通过利用韵律结构预测模型对输入的文本进行韵律结构预测处理，给出至少两个备选韵律边界划分方案，再根据所述至少两个备选韵律边界划分方案中韵律单元在语音语料库中的结构概率信息确定韵律边界划分方案，最后根据所确定的韵律边界划分方案进行语音合成，提高了合成语音的自然度和灵活性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是现有技术提供的语音合成系统的信号流图；

图2是现有技术真人语音中韵律结构的影响因素的原理示意图；

图3是本发明第一实施例提供的基于大语料库的语音合成方法的流程图；

图4是本发明实施例所适用的汉语句子的韵律结构示意图；

图5是本发明第一实施例提供的文本语料库中韵律标注数据的示意图；

图6是实施本发明第一实施例提供的运行基于大语料库的语音合成方法的语音合成系统的信号流图；

图7是本发明第二实施例提供的基于大语料库的语音合成方法中边界划分的流程图；

图8是本发明优选实施例提供的基于大语料库的语音合成方法的流程图；

图9是本发明第三实施例提供的基于大语料库的语音合成装置的结构图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。