[发明专利]用于确定音素发音时长的方法和装置

权利要求书

1.一种用于确定音素发音时长的方法，其特征在于，所述方法包括：

获取待合成语音对应的文本；

提取所述文本的文本特征；

将所述文本特征导入预先建立的第一时长确定模型，生成发音时长类型序列，其中，所述发音时长类型序列中的发音时长类型与所述文本对应的音素序列中的音素对应，所述第一时长确定模型用于表征文本特征与发音时长类型序列之间的对应关系；

根据所生成的发音时长类型序列和预先设置的对应关系信息，确定所述文本对应的音素序列中各个音素的发音时长，其中，所述对应关系信息用于指示发音时长类型与发音时长的之间的对应关系。

2.根据权利要求1所述的方法，其特征在于，所述第一时长确定模型是通过以下步骤得到的：

获取第一训练样本集，其中，第一训练样本是关联设置有音素的发音时长的音频信息；

利用所述第一训练样本集训练第一神经网络和条件随机场模型，得到第一时长确定模型，其中，第一神经网络的输出是条件随机场模型的输入。

3.根据权利要求2所述的方法，其特征在于，所述第一神经网络的输出包括所述音素序列中的每个音素对应的概率序列，其中，该音素对应的概率序列中的概率为该音素的发音时长属于预先设置的发音时长类型的概率。

4.根据权利要求1所述的方法，其特征在于，所述发音时长类型是通过以下步骤得到的：

确定音素的最短发音时长和最长发音时长；

将所述最短发音时长取对数得到第一对数值，并且将所述最长发音时长取对数得到第二对数值；

确定所述第二对数值与所述第一对数值之间的差值，并且确定所述差值与预设数目的比值；

生成包括预设数目个发音时长类型的发音时长类型序列，其中，对于所述发音时长序列中的每个发音时长类型，该发音时长类型对应的发音时长是根据该发音时长类型在所述发音时长类型序列的位次信息和所述比值确定的。

5.根据权利要求4所述的方法，其特征在于，所述第一训练样本集是通过以下步骤得到的：

对于所述发音时长类型序列中的每个发音时长类型对应的发音时长，确定初始样本集中是否包括关联设置有该发音时长的样本，其中，初始样本是关联设置有音素的发音时长的音频信息；响应于确定所述初始样本集中不包括关联设置有该发音时长的样本，调整关联设置有与该发音时长差值最小的发音时长的样本，得到该发音时长的样本；将经调整得到的样本加入所述初始样本集，得到所述第一训练样本集。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：

将所述文本特征导入预先建立的第二时长确定模型，生成所述文本对应的第二发音时长序列，其中，所述第二发音时长序列包括所述文本对应的音素序列中各个音素的发音时长，所述第二时长时长确定模型用于表征文本特征与第二发音时长序列之间的对应关系。

7.根据权利要求6所述的方法，其特征在于，所述第二时长确定模型是通过以下步骤得到的：

获取第二训练样本集,第二训练样本是关联设置有音素的发音时长的音频信息；

利用所述第二训练样本集训练第二神经网络，得到第二时长确定模型。

8.根据权利要求7所述的方法，其特征在于，所述根据所生成发音时长类型序列和预先设置的对应关系信息，确定所述文本对应的音素序列中各个音素的发音时长，包括：

根据所生成的发音时长类型序列和所述对应关系信息，生成第一发音时长序列；

基于所述第一发音时长序列和所述第二发音时长序列，确定所述文本对应的音素序列中各个音素的发音时长。