[发明专利]语音合成方法及装置

说明书

本发明提供了一种语音合成方法及装置，该方法包括：利用包括第一文本特征数据和第一语音特征数据的第一训练样本集对初始神经网络训练得到第一模型；多个第一文本特征数据对应的文本领域不同；多个第一语音特征数据对应的发音主体不同；利用包括第二文本特征数据和第二语音特征数据的第二训练样本集与包括第三文本特征数据和第三语音特征数据的第三训练样本集先后对第一模型训练得到语音信息生成模型；第二文本特征数据与待合成语音的文本领域相同；多个第二语音特征数据的发音主体不同；多个第三文本特征数据的文本领域不同；第三语音特征数据与欲合成语音的发音主体相同；利用语音信息生成模型合成语音。上述方案能够降低复杂性并提高合成效果。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种语音合成方法及装置。

背景技术

人机交互技术作为人类与计算机进行信息交流的方式，对计算机的发展产生了重要影响。在智能时代下，计算机技术日益融入人类生活的各个领域，拓展开发多背景多途径人机交互方式对于信息技术的发展具有重大意义。

作为语音合成技术的一种延伸，TTS(Text-to-Speech)技术就是一种重要的人机交互技术，它能够把计算机内的文字转换成连续的语音流。随着计算机技术进入网络和多媒体时代，语音合成技术日益重要，受到广泛关注并取得了很大发展。目前TTS技术已经应用到同步语音翻译、电话咨询、办公自动化等各个方面。TTS将声音与文本相结合，实现更加方便友好的人机交互，增强了计算机应用系统的人性化。

现有的TTS技术采用的合成技术主要分为两种。一种是参数合成技术，其根据声源参数、发声参数和辐射参数三类七个参数控制合成器生成语音。另一种是拼接合成技术，其基本思想是存储语音的基元，合成时需要读取基元、拼接、韵律修饰。拼接语音合成直接把语音基元相互拼接在一起，输出连续语流。

然而，统计参数(statistical parametric)TTS通常具有提取各种语言特征的文本前端、持续时间模型(duration model)、声学特征预测模型和基于复杂信号处理的声码器。这些部分的设计需要不同领域的知识，需要大量精力来设计。它们还需要分别完善，这意味着来自每个部分的错误可能会复合到一起。所以，基于参数的TTS设计的复杂性还让人们在构建新系统时需要大量的工作。另外，现有的拼接合成技术的语音合成效果不佳，比较明显地可以分辨出人类发声与机器发声的区别。

发明内容

本发明提供了一种语音合成方法及装置，以降低语音合成的复杂性并提高语音合成的效果。

为了实现上述目的，本发明采用以下方案：

根据本发明实施例的一个方面，提供了一种语音合成方法，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。