[发明专利]语音合成模型的处理方法和装置

说明书

本发明实施例提供了一种语音合成模型的处理方法和装置，其中的方法具体包括：依据训练数据，得到隐马尔可夫模型HMM模型；其中，所述HMM模型包括：决策树；所述训练数据包括：训练录音数据；依据所述HMM模型，从所述训练录音数据中获取所述决策树中叶节点对应的一目标帧训练录音数据；采用所述目标帧训练录音数据的声学参数值替换所述叶节点的声学参数值，以得到处理后的决策树。本发明实施例能够有效改善预测参数的过平滑问题，且能够提高合成语音与原始录音人的相似性，进而能够提高合成语音的听感和音质。

技术领域

本发明涉及语音合成技术领域，特别是涉及一种语音合成模型的处理方法和装置、以及一种用于语音合成模型处理的装置。

背景技术

语音合成技术又称文语转换(TTS，Text-to-Speech)技术，即将文字转换为语音的技术，该技术赋予计算机像人一样自如说话的能力，使用户与机器之间的信息沟通更加舒服自然。

目前，基于隐马尔可夫模型(HMM，Hidden Markov Model)的语音合成(HTS，HMM-based Speech Synthesis System)得到广泛的重视和应用。HTS的基本思路是：对语音信号进行参数化分解，并建立各声学参数对应的HMM模型，合成时利用训练得到的HMM模型预测待合成文本的声学参数，这些声学参数被输入至参数合成器，最终得到合成语音。HTS的优势体现在系统构建需要的数据量少，语种相关性弱，较少需要人工干预，合成语音平滑流畅，鲁棒性高。然而，HTS也存在如下不足：基于HMM模型得到的预测参数过于平滑，导致合成语音听感沉闷，音质下降。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的语音合成模型的处理方法、语音合成模型的处理装置、及用于语音合成模型处理的装置，本发明实施例能够有效改善预测参数的过平滑问题，且能够提高合成语音与原始录音人的相似性，进而能够提高合成语音的听感和音质。

为了解决上述问题，本发明公开了一种语音合成模型的处理方法，包括：

依据训练数据，得到隐马尔可夫模型HMM模型；其中，所述HMM模型包括：决策树；所述训练数据包括：训练录音数据；

依据所述HMM模型，从所述训练录音数据中获取所述决策树中叶节点对应的一目标帧训练录音数据；

采用所述目标帧训练录音数据的声学参数值替换所述叶节点的声学参数值，以得到处理后的决策树。

可选地，所述依据所述HMM模型，从所述训练录音数据中获取所述决策树中叶节点对应的一目标帧训练录音数据的步骤，包括：

依据所述HMM模型，从所述训练录音数据中获取所述决策树中叶节点对应的帧训练录音数据；

若所述叶节点对应一帧训练录音数据，则将所述叶节点对应的一帧训练录音数据作为目标帧训练录音数据；或者，若所述叶节点对应多帧训练录音数据，则从所述叶节点对应的多帧训练录音数据中选择一目标帧训练录音数据。

可选地，所述从所述训练录音数据中获取所述决策树中叶节点对应的帧训练录音数据的步骤，包括：

依据所述HMM模型，对所述训练录音数据进行时间到状态的对齐，所述训练录音数据包含的各帧训练录音数据对应的目标状态；

依据所述目标状态和所述决策树对应的状态，得到所述决策树中叶节点对应的帧训练录音数据。

可选地，所述对所述训练录音数据进行时间到状态的对齐的步骤，包括：

依据所述HMM模型、以及所述训练录音数据的声学参数和建模单元，确定所述训练录音数据的各建模单元对应的各帧训练录音数据的状态边界，以得到所述训练录音数据包含的各帧训练录音数据对应的目标状态。