[发明专利]语音合成方法、装置、设备及存储介质

权利要求书

1.一种语音合成方法，其特征在于，包括：

获取用户输入的文本信息；

对所述文本信息进行预处理，得到所述文本信息的文本向量；

将所述文本向量输入至预设的声学模型，得到所述文本向量对应的第一声学参数向量，所述声学模型用于根据记忆矩阵中多个时刻的隐层向量和预设权重值，对所述文本向量进行处理得到所述第一声学参数向量，所述预设权重值包括初始隐层向量的权重值、文本向量的权重值以及记忆矩阵内部权重值，所述记忆矩阵内部权重值随时间更新；

根据所述第一声学参数向量合成所述文本信息对应的语音信息；

其中，所述记忆矩阵的更新规则包括如下公式：

h₀(t+1)＝f(Wh(t)+Cx(t)) (2)

h_i+1(t+1)＝f([W·h(t)+C·x(t)]+A(t)h_i(t+1)) (3)

A(t)＝λA(t-1)+ηh(t)h(t)^T (4)

h′_i+1(t+1)＝f(LN[W·h(t)+C·x(t)+A(t)h_i(t+1)]) (5)

式中，h(t)为t时刻的隐层向量，t时刻有n个隐层向量，分别为h₀(t+1)、h₁(t+1)、h₂(t+1)…h_n-1(t+1)，h₀(t+1)根据公式(2)确定，h₁(t+1)、h₂(t+1)…h_n-1(t+1)根据公式(3)确定；

λ为衰减值，η为学习率，A(t)为记忆矩阵内部权重值，A(t)根据公式(4)随时间更新；

W为初始隐层向量h(t)的权重值，C为文本向量x(t)的权重值，f函数为线性整流函数，h(t)h(t)^T为隐层向量的外积，h(t)^T为隐层向量的转置，h_i+1'(t+1)为经过层参数归一化后的隐层向量，LN表示层的归一化。

2.根据权利要求1所述的方法，其特征在于，所述将所述文本向量输入至预设的声学模型，得到所述文本向量对应的第一声学参数向量之前，所述方法还包括：

获取训练样本集合，所述训练样本集合包括：样本文本信息、和所述样本文本信息对应的语音信息；

对所述样本文本信息进行预处理，得到样本文本向量；

对所述样本文本信息对应的语音信息进行预处理，得到声学参数向量；

建立初始声学模型；

通过将所述样本文本向量作为所述初始声学模型的输入，将与所述样本文本向量对应的声学参数向量作为所述初始声学模型的输出，对所述初始声学模型进行训练，得到所述声学模型。

3.根据权利要求2所述的方法，其特征在于，所述通过将所述样本文本向量作为所述初始声学模型的输入，将与所述样本文本向量对应的声学参数向量作为所述初始声学模型的输出，对所述初始声学模型进行训练，得到所述声学模型，包括：

将所述训练样本集合中的至少一个样本文本向量输入至初始声学模型，得到预测的声学参数向量；

比较预测的声学参数向量与所述至少一个样本文本向量对应的声学参数向量，根据比较结果确定声学参数向量的损失值；

若所述损失值小于或者等于预设损失值，将所述初始声学模型作为所述声学模型。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

若所述损失值大于所述预设损失值，调整所述初始声学模型的所述记忆矩阵的预设权重值；

继续执行对所述初始声学模型的训练过程。

5.根据权利要求1所述的方法，其特征在于，所述第一声学参数向量包括谱参数，基频数据和时长。