[发明专利]用于确定音素发音时长的方法和装置

说明书

本申请实施例公开了用于确定音素发音时长的方法和装置。该方法的一具体实施方式包括：获取待合成语音对应的文本；提取该文本的文本特征；将该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，该发音时长类型序列中的发音时长类型与该文本对应的音素序列中的音素对应，该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，确定该文本对应的音素序列中各个音素的发音时长，其中，该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。该实施方式提高了所确定的音素的发音时长准确性。

技术领域

本申请实施例涉及计算机技术领域，具体涉及语音合成技术领域，尤其涉及用于确定音素发音时长的方法和装置。

背景技术

语音合成技术，又称文语转换技术，是通过机械的、电子的方法产生人造语音的技术。它是将计算机本地产生的或外部输入的文字信息转变为可以被人听得懂的、流利的语音的技术。在语音合成的过程中，需要对拼接多个语音单元对应的音频，语音单元可以是拼音，也可以是音素。

然而，现有的语音合成的方法，通常是对语音单元的发音时长不做区分。

发明内容

本申请实施例的目的在于提出一种用于确定音素发音时长的方法和装置。

第一方面，本申请实施例提供了一种用于确定音素发音时长的方法，上述方法包括：获取待合成语音对应的文本；提取上述文本的文本特征；将上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，上述发音时长类型序列中的发音时长类型与上述文本对应的音素序列中的音素对应，上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，确定上述文本对应的音素序列中各个音素的发音时长，其中，上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。

第二方面，本申请实施例提供了一种用于确定音素发音时长的装置，上述装置包括：获取单元，用于获取待合成语音对应的文本；提取单元，用于提取上述文本的文本特征；第一生成单元，用于将上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，上述发音时长类型序列中的发音时长类型与上述文本对应的音素序列中的音素对应，上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；确定单元，用于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，确定上述文本对应的音素序列中各个音素的发音时长，其中，上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。

第三方面，本申请实施例提供了一种电子设备，上述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的方法。

本申请实施例提供的用于确定音素发音时长的方法和装置，通过首先提取待合成语音对应的文本的文本特征，然后利用第一时长确定模型确定发音时长类型序列，再根据用于指示发音时长类型与发音时长的之间的对应关系的对应关系信息，得到上述文本对应的音素序列中各个音素的发音时长，由此，可以确定更为准确的音素发音时长。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于确定音素发音时长的方法的一个实施例的流程图；

图3是根据本申请的用于确定音素发音时长的方法的一个应用场景的示意图；