[发明专利]音频生成方法和装置、存储介质、电子设备

说明书

本公开实施例公开了一种音频生成方法和装置、存储介质、电子设备，其中，方法包括：确定多个音素片段中每个音素片段对应的多个预选波形片段，所述多个音素片段通过待转换文本得到；对于每个所述音素片段，基于所述音素片段的时长信息对所述多个预选波形片段进行时长过滤，从所述多个预选波形片段中获得所述音素片段对应的多个过滤波形片段；基于每个所述音素片段对应的多个过滤波形片段，确定所述待转换文本对应的音频波形。本公开实施例基于时长过滤获得的多个过滤波形片段，确定的目标音频波形更自然、更接近真人语音，提高了用户体验。

技术领域

本公开涉及语音技术，尤其是一种音频生成方法和装置、存储介质、电子设备。

背景技术

随着智能化设备的普及以及语音识别技术的发展，人们的交互方式已经慢慢从传统的文本转向了更人性化的语音交互方式，语音交互属于更符合人类之间的交互方式，能够提高交互效率和用户体验。为了实现将文字交互转换为语音交互，可将文本信息通过语音合成技术转换为音频信息，语音合成技术能够让机器拥有发声的功能，改变了传统的文字交互方式。

发明内容

传统的语音合成技术主要基于隐马尔科夫链对声学特征进行建模，但这种方法并不能挑选时长较好的波形片段，使得拼接生成的音频存在不自然的问题。

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种音频生成方法和装置、存储介质、电子设备。

根据本公开实施例的一个方面，提供的一种音频生成方法，包括：

获得待转换文本对应的多个音素片段，确定所述多个音素片段中每个音素片段对应的多个预选波形片段；

对于每个所述音素片段，预测所述音素片段的时长信息，基于所述时长信息对所述多个预选波形片段进行时长过滤，从所述多个预选波形片段中获得所述音素片段对应的多个过滤波形片段；

基于每个所述音素片段对应的多个过滤波形片段，确定所述待转换文本对应的目标音频波形。

根据本公开实施例的另一方面，提供的一种音频生成装置，包括：

波形预选模块，用于确定所述多个音素片段中每个音素片段对应的多个预选波形片段，所述多个音素片段通过待转换文本得到；

时长过滤模块，用于对于每个所述音素片段，基于所述音素片段的时长信息对所述波形预选模块确定的多个预选波形片段进行时长过滤，从所述多个预选波形片段中获得所述音素片段对应的多个过滤波形片段；

波形获得模块，用于基于所述时长过滤模块获得的每个所述音素片段对应的所述多个过滤波形片段，确定所述待转换文本对应的音频波形。

根据本公开实施例的又一方面，提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一项实施例所述的音频生成方法。

根据本公开实施例的还一方面，提供的一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于运行时所述计算机程序指令使得所述处理器执行如上述任一项实施例所述的音频生成方法。

基于本公开上述实施例提供的一种音频生成方法和装置、存储介质、电子设备，获得待转换文本对应的多个音素片段，确定多个音素片段中每个音素片段对应的多个预选波形片段；对于每个音素片段，预测音素片段的时长信息，基于时长信息对多个预选波形片段进行时长过滤，从多个预选波形片段中获得音素片段对应的多个过滤波形片段，通过对预选波形片段进行时长过滤，使获得的构成目标音频波形的过滤波形片段的时长更合理；基于时长过滤获得的多个过滤波形片段，确定的目标音频波形更自然、更接近真人语音，提高了用户体验。