[发明专利]语音合成方法及系统

说明书

本发明提供了一种语音合成方法及系统，涉及语音合成的技术领域，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；将目标发音人对应的发音人特性参数以及目标合成文本输入到预先构建的语音合成网络中，得到目标发音人的合成语音。本发明实施例提供的语音合成方法及系统采取端到端一体化的结构，对少量目标发音人数据提取并固化发音人特性参数，通过调用发音人特性参数，无需长时间等待即可实现在线个性化语音合成的功能，减少录制目标发音人音库的时长、降低语音合成模型的成本，以及采取端到端的结构合成语音，而不是传统的合成器方式合成语音，达到高效、自然合成语音的目的。

技术领域

本发明涉及语音合成技术领域，尤其是涉及一种语音合成方法及系统。

背景技术

随着语音合成技术在越来越多的场景中应用，基于个性化的语音合成需求也随之增长，目前实现个性化语音合成的方式主要为以下三种：一是通过录制指定发音人的音库，单独制作指定发音人语音合成所需模型；二是通过录制指定发音人的音库，并基于已有发音人的音库，将数据混合或者做增量训练，制作发音人语音合成所需模型；三是通过录制指定发音人的音库，并基于已有发音人的音库，采取单独提取、单独使用发音人特性参数的方式，制作指定发音人语音合成所需模型。

发明内容

有鉴于此，本发明的目的在于提供一种语音合成方法及系统，以减少录制音库的时间、降低模型制作的成本以及采用端到端一体化的结构实现语音合成。

第一方面，本发明实施例提供了一种语音合成方法，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。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，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。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，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所述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。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，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。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，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；

将所述二进制矩阵与权重矩阵，计算得到第一字向量。