[发明专利]语音合成方法、装置、终端及存储介质

权利要求书

1.一种语音合成方法，其特征在于，所述方法包括：

获取待合成文本；

获取所述待合成文本的文本特征，所述文本特征包括分词特征、多音字特征和/或韵律特征中的至少一个；

将所述文本特征输入预设的时长预测模型，获取与所述文本特征对应的时长特征；

将所述文本特征和所述时长特征输入预设的声学模型，获取与所述待合成文本对应的语音特征；

将所述语音特征转换成语音，生成与所述待合成文本对应的目标语音。

2.根据权利要求1所述的方法，其特征在于，所述获取所述待合成文本的文本特征的步骤之前，还包括：

对所述待合成文本进行正则化处理。

3.根据权利要求1所述的方法，其特征在于，所述获取所述待合成文本的文本特征的步骤还包括：

将所述待合成文本输入预设的分词模型，获取与所述待合成文本对应的分词特征；

将所述待合成文本和/或所述分词特征输入预设的多音字预测模型，获取所述待合成文本对应的多音字特征；

将所述待合成文本和/或所述分词特征输入预设的韵律预测模型，获取所述待合成文本对应的韵律特征。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练样本集，所述训练样本集包含多个训练文本以及对应的文本参考特征、时长参考特征和/或语音参考特征；

将所述训练文本对应的文本参考特征作为所述时长预测模型的输入，所述时长参考特征作为时长预测模型的输出，对所述时长预测模型进行训练；

将所述文本参考特征和所述时长参考特征作为所述声学模型的输入，所述语音参考特征作为声学模型的输出，对所述声学模型进行训练。

5.根据权利要求3所述的方法，其特征在于，所述训练样本集还包含与所述多个训练文本对应的分词参考特征、多音字参考特征和/或韵律参考特征；

所述方法包括：

将所述训练文本作为所述分词模型的输入，所述分词参考特征作为分词模型的输出，对所述分词模型进行训练。

将所述训练文本和/或所述分词参考特征作为所述多音字预测模型的输入，所述多音字参考特征作为多音字预测模型的输出，对所述多音字预测模型进行训练。

将所述训练文本和/或所述分词参考特征作为所述韵律预测模型的输入，所述韵律参考特征作为韵律预测模型的输出，对所述韵律预测模型进行训练。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过文本迭代器获取多个待合成文本，针对每一个待合成文本，分别执行所述获取所述待合成文本的文本特征的步骤；

将多个待合成文本对应的文本特征添加至预设的特征队列，当所述特征队列满足预设条件时，获取所述特征队列中的预设数量的文本特征，并将所述预设数量的文本特征分别输入所述时长预测模型，以使同步执行所述获取与所述文本特征对应的时长特征的步骤。

7.一种语音合成装置，其特征在于，所述装置包括：

获取模块，用于获取待合成文本；

文本特征确定模块，用于获取所述待合成文本的文本特征，所述文本特征包括分词特征、多音字特征和/或韵律特征中的至少一个；

时长特征确定模块，用于将所述文本特征输入预设的时长预测模型，获取与所述文本特征对应的时长特征；

语音特征确定模块，用于将所述文本特征和所述时长特征输入预设的声学模型，获取与所述待合成文本对应的语音特征；

转换模块，用于将所述语音特征转换成语音，生成与所述待合成文本对应的目标语音。

8.根据权利要求7所述的装置，其特征在于，所述文本特征确定模块还包括：

分词特征确定单元，用于将所述待合成文本输入预设的分词模型，获取与所述待合成文本对应的分词特征；

多音字特征确定单元，用于将所述待合成文本和/或所述分词特征输入预设的多音字预测模型，获取所述待合成文本对应的多音字特征；

韵律特征确定单元，用于将所述待合成文本和/或所述分词特征输入预设的韵律预测模型，获取所述待合成文本对应的韵律特征。