[发明专利]语音合成方法及装置

权利要求书

1.一种语音合成方法，其特征在于，包括：

利用第一训练样本集对用于根据文本特征数据生成语音特征数据的初始神经网络进行训练，得到第一模型；所述第一训练样本集中的第一训练样本包括第一文本特征数据和对应的第一语音特征数据；至少两个所述第一训练样的第一文本特征数据对应的文本所属的领域不同；至少两个所述第一训练样的第一语音特征数据对应的发音主体不同；

利用第二训练样本集和第三训练样本集先后对所述第一模型进行训练，得到语音信息生成模型；所述第二训练样本集中的第二训练样本包括第二文本特征数据和对应的第二语音特征数据；各所述第二训练样本的第二文本特征数据对应的文本所属的领域与待合成语音的文本所属的领域相同；至少两个所述第二训练样本的第二语音特征数据对应的发音主体不同；所述第三训练样本集中的第三训练样本包括第三文本特征数据和对应的第三语音特征数据；至少两个所述第三训练样本的第三文本特征数据对应的文本所属的领域不同；各所述第三训练样本的第三语音特征数据对应的发音主体与所述待合成语音的文本所欲合成语音对应的发音主体相同；

利用所述语音信息生成模型对所述待合成语音的文本进行语音合成，得到语音合成结果。

2.如权利要求1所述的语音合成方法，其特征在于，所述第一文本特征数据、所述第二文本特征数据及所述第三文本特征数据均是根据拼音或音素字典序得到，所述第一语音特征数据、所述第二语音特征数据及所述第三语音特征数据均是通过提取梅尔频谱或线性频谱得到。

3.如权利要求2所述的语音合成方法，其特征在于，

利用第一训练样本集对用于根据文本特征数据生成语音特征数据的初始神经网络进行训练，得到第一模型之前，所述方法可包括：

对第一文本进行特征提取得到第一文本特征数据；对所述第一文本所对应的第一语音进行特征提取得到第一语音特征数据；根据所述第一文本特征数据和对应的所述第一语音特征数据生成第一训练样本；根据多个所述第一训练样本生成所述第一训练样本集；

其中：

对第一文本进行特征提取得到第一文本特征数据，包括：

标注中文的第一文本的拼音或音素；

用拼音或音素字典序代替中文的第一文本的拼音或音素，得到第一文本特征向量，作为所述第一文本特征数据；

对所述第一文本所对应的第一语音进行特征提取得到第一语音特征数据，包括：

对所述第一文本所对应的第一语音提取梅尔频谱或线性频谱；

根据所述第一文本所对应的第一语音的梅尔频谱或线性频谱得到第一语音特征向量，作为第一语音特征数据。

4.如权利要求2所述的语音合成方法，其特征在于，

利用第二训练样本集和第三训练样本集先后对所述第一模型进行训练，得到语音信息生成模型之前，还包括：

对第二文本进行特征提取得到第二文本特征数据；对所述第二文本所对应的第二语音进行特征提取得到第二语音特征数据；根据所述第二文本特征数据和对应的所述第二语音特征数据生成第二训练样本；根据多个所述第二训练样本生成所述第二训练样本集；

其中：

对第二文本进行特征提取得到第二文本特征数据，包括：

标注中文的第二文本的拼音或音素；

用拼音或音素字典序代替中文的第二文本的拼音或音素，得到第二文本特征向量，作为所述第二文本特征数据；

对所述第二文本所对应的第二语音进行特征提取得到第二语音特征数据，包括：

对所述第二文本所对应的第二语音提取梅尔频谱或线性频谱；

根据所述第二文本所对应的第二语音的梅尔频谱或线性频谱得到第二语音特征向量，作为第二语音特征数据。