[发明专利]一种语音合成方法、装置和电子设备

权利要求书

1.一种语音合成方法，其特征在于，包括步骤：

响应文本输入，对输入的文本进行文本分析，得到所述文本的目标基元序列及相应的语境信息；

针对所述语境信息，利用传统模型决策树确定所述语境信息在语音库的声学参数模型、基元时长模型和边界帧声学参数模型中分别所属的子类号；

针对所述目标基元序列中每个目标基元，从所述语音库中检索所有候选单元，根据每个所述候选单元在统计模型中所属的子类号和所述目标基元在所述统计模型中所属的子类号，查表得到每个所述候选单元与所述目标基元的KLD距离，并根据所述KLD距离从所述所有候选单元中选择部分候选单元作为预选结果；

利用所述预选结果依次将每个所述目标基元形成一列，最终使所述目标基元序列形成一套候选网格；

将所述语境信息输入到深度学习模型，得到所述候选网格中每个所述目标基元的声学参数包络、基元时长和边界帧声学参数，分别替换所述声学参数模型、基元时长模型和边界帧声学参数模型中均值，形成新的选音目标模型；

在所述候选网格中，对于每个所述候选单元，根据所述声学参数模型、所述基元时长模型、所述边界帧声学参数模型和通过查表得到的权重系数计算每个所述候选单元的3种选音距离；

对于每个所述候选单元，将3种选音距离加权求和，得到其动态规划代价；

根据候选网格中各所述候选单元的动态规划代价，通过动态规划最优化算法，确定累积代价最小的最优路径；

根据所述最优路径从所述语音库中读取选定的基元，适当调整所述基元的长度与音高，顺次平滑拼接在一起；

其中，在所述声学参数模型中包括声学参数的高斯分布模型和状态时长的高斯分布模型；

其中，所述传统模型决策树中包括一套声学高斯模型和一套瓶颈高斯模型；

其中，所述深度学习模型包括声学神经网络、基元时长神经网络和边界神经网络。

2.如权利要求1所述的语音合成方法，其特征在于，还包括步骤：

根据两路来源的训练样本进行模型训练，得到所述传统模型决策树，所述训练样本来自于原始语音库和根据补充语料库生成的仿真数据。

3.如权利要求2所述的语音合成方法，其特征在于，还包括步骤：

对语境总表进行降维缩减处理，得到全局频次表和覆盖频次表；

从多种途径搜集海量文本，经过清洗和断句后，挑出长度符合预设标准的句子，组成原始待选库；

将所述原始待选库中的每个所述句子进行文本分析，得到每个所述句子的基元序列和语境信息；

遍历所有所述句子每种语境的出现频次，根据所述出线频次初始化所述全局频次表，并将所述覆盖频次表初始化为全零；

遍历每个所述句子，根据所述出线频次计算每个所述句子的贡献分；

将所述贡献分最高的多个所述句子摘录为已选库；

遍历所述已选库中的每个所述句子，更新所述覆盖频次表，如果所述覆盖频次表中所有非零的频次都超过了阈值，则终止迭代；

当所述覆盖频次表第一次被更新后，将所述覆盖频次表底取代所述全局频次表，得到所述仿真数据。