[发明专利]音频生成方法、装置、计算机可读存储介质及计算设备

权利要求书

1.一种音频生成方法，其特征在于，包括：

获取多个发音信息；

将所述多个发音信息输入音频合成模型，得到所述音频合成模型输出的目标音频；

其中，所述多个发音信息包括至少一个第一发音信息，每个所述第一发音信息包括：对应的音频帧的音高、对应的音频帧所对应的目标音素的内容、所述目标音素的相邻音素的内容以及连音指示符，其中，任一目标音素的相邻音素包括所述任一目标音素的前一个音素和后一个音素，所述连音指示符用于指示所在的发音信息中的目标音素与其相邻音素是否存在连音，所述多个发音信息中的每个发音信息对应的音频帧为所述目标音频中的一个音频帧。

2.根据权利要求1所述的方法，其特征在于，在所述获取多个发音信息之前，所述方法还包括：

对样本音频进行分析，得到多个样本发音信息，所述多个样本发音信息包括至少一个第二发音信息，每个所述第二发音信息包括：对应的音频帧的音高、对应的音频帧所对应的目标音素的内容、所述目标音素的相邻音素的内容以及连音指示符，所述多个样本发音信息中的每个样本发音信息对应的音频帧为所述样本音频中的一个音频帧；

基于所述多个样本发音信息，进行模型训练，得到所述音频合成模型。

3.根据权利要求2所述的方法，其特征在于，所述对样本音频进行分析，得到多个样本发音信息，包括：

获取所述样本音频中每个音频帧的音高；

检测所述样本音频中每个音素与相邻的音素是否存在连音，得到连音检测结果；

基于所述每个音频帧的音高以及所述连音检测结果，生成所述多个样本发音信息。

4.根据权利要求3所述的方法，其特征在于，所述检测所述样本音频中每个音素与相邻的音素是否存在连音，得到连音检测结果，包括：

当所述样本音频中，任一音素对应的样本音频帧集合的起始点之前相邻的M个音频帧以及之后相邻的N个音频帧均为有音高帧，确定所述任一音素存在前连音，所述有音高帧为音高大于0的音频帧，所述N和所述M均为正整数，所述任一音素对应的样本音频帧集合为所述样本音频中所述任一音素在发音过程中所形成的音频帧的集合；

当所述样本音频中，任一音素对应的样本音频帧集合的结束点之前相邻的M个音频帧以及之后相邻的N个音频帧均为有音高帧，确定所述任一音素存在后连音。

5.根据权利要求1至4任一所述的方法，其特征在于，所述连音指示符包括前连音指示符和后连音指示符，所述前连音指示符用于指示所在的发音信息中的目标音素与其相邻的前一个音素是否存在连音，所述后连音指示符用于指示所在的发音信息中的目标音素与其相邻的后一个音素是否存在连音；

或者，所述连音指示符包括一个指示符，所述一个指示符用于指示所在的发音信息中的目标音素与其相邻的前一个音素是否存在连音，以及所在的发音信息中的目标音素与其相邻的后一个音素是否存在连音。

6.一种音频生成装置，其特征在于，包括：

获取模块，用于获取多个发音信息；

处理模块，用于将所述多个发音信息输入音频合成模型，得到所述音频合成模型输出的目标音频；

其中，所述多个发音信息包括至少一个第一发音信息，每个所述第一发音信息包括：对应的音频帧的音高、对应的音频帧所对应的目标音素的内容、所述目标音素的相邻音素的内容以及连音指示符，其中，任一目标音素的相邻音素包括所述任一目标音素的前一个音素和后一个音素，所述连音指示符用于指示所在的发音信息中的目标音素与其相邻音素是否存在连音，所述多个发音信息中的每个发音信息对应的音频帧为所述目标音频中的一个音频帧。