[发明专利]语音合成方法及系统

权利要求书

1.一种语音合成方法，其特征在于，包括：

获取目标合成文本；

从预先构建的发音人特性网络中，提取目标发音人对应的发音人特性参数；

将所述目标发音人对应的发音人特性参数以及所述目标合成文本输入到预先构建的语音合成网络中，得到所述目标发音人的合成语音；

构建所述发音人特性网络，包括：

从音库中获取包含语音原始波形以及与语音原始波形对应的发音人ID、文本信息的语音数据；

将所述语音数据输入到特性网络中，构建基于所述发音人ID与发音人特性参数的发音人特性网络；

所述特性网络包括第一全连接网络和全卷积网络，所述将所述语音数据输入到特性网络中，构建基于所述发音人ID与发音人特性参数的发音人特性网络，包括：

将所述文本信息输入到所述第一全连接网络中，得到所述文本信息的第一字向量；

将所述语音原始波形输入到第一全卷积网络中，得到所述语音原始波形的第一语音特征；

将所述第一字向量和所述第一语音特征输入到第二全卷积网络中，得到所述发音人特性参数；

构建所述发音人ID与所述发音人特性参数的映射关系，基于各发音人ID与对应发音人特性参数的映射关系，构建发音人特性网络。

2.根据权利要求1所述的方法，其特征在于，所述从预先构建的发音人特性网络中，提取目标发音人对应的发音人特性参数，包括：

将所述目标发音人对应的发音人ID输入所述发音人特性网络，得到所述发音人ID对应的发音人特性参数。

3.根据权利要求1所述的方法，其特征在于，所述将所述文本信息输入到所述第一全连接网络中，得到所述文本信息的第一字向量包括：

将所述文本信息转换为二进制矩阵；

计算所述二进制矩阵与权重矩阵，得到第一字向量。

4.根据权利要求1所述的方法，其特征在于，所述将所述语音原始波形输入到第一全卷积网络中，得到所述语音原始波形的第一语音特征包括：

将所述语音原始波形输入到所述第一全卷积网络的第一卷积层中，对所述语音原始波形进行第一编码和第一特征提取，得到第一语音编码波形；

将所述第一语音编码波形输入到第二卷积层中进行第二编码和第二特征提取，得到第二语音编码波形；

将所述第二语音编码波形进行二进制编码，得到所述第二语音编码波形的所述第一语音特征。

5.根据权利要求1所述的方法，其特征在于，构建所述语音合成网络，包括：

将所述发音人特性参数、所述文本信息和所述语音原始波形输入到语音合成训练网络中，得到所述发音人特性参数对应的合成语音；

基于各发音人特性参数与对应的合成语音的映射关系，构建所述语音合成网络。

6.根据权利要求5所述的方法，其特征在于，所述将所述发音人特性参数、所述文本信息和所述语音原始波形输入到语音合成训练网络中，得到所述发音人特性参数对应的合成语音，包括：

将所述文本信息输入第二全连接网络，得到所述文本信息的第二字向量；

将所述语音原始波形输入第三全卷积网络，得到所述语音原始波形的第二语音特征；

将所述第二字向量和所述第二语音特征输入到第四全卷积网络，得到合成后的所述发音人ID对应的实际语音；

将所述发音人特性参数输入到所述第四全卷积网络中，得到合成后的训练语音；

计算所述实际语音与所述训练语音间的误差，通过反传迭代训练，直至所述训练语音与所述实际语音间的误差小于预先设置的误差阈值，将误差小于所述误差阈值对应的所述合成后的训练语音作为所述发音人特性参数对应的合成语音。