[发明专利]一种语音生成方法及装置

权利要求书

1.一种语音生成方法，其特征在于，所述方法包括：

获取待生成语音对应的目标语音特征；所述目标语音特征包括基本频率特征、频谱包络特征以及非周期性指数特征；

利用目标声码器对所述目标语音特征进行处理，生成所述待生成语音的初始语音信号；

根据所述初始语音信号及所述目标语音特征，生成所述待生成语音的语音信号。

2.根据权利要求1所述的方法，其特征在于，所述利用目标声码器对所述目标语音特征进行处理，生成所述待生成语音的初始语音信号，包括：

利用所述目标声码器，根据语音特征与语音信号之间的映射关系，从多个候选语音信号中筛选出所述待生成语音在每一帧的目标语音特征对应的语音信号；

根据筛选得到的所述待生成语音在每一帧的目标语音特征对应的语音信号，生成所述待生成语音的初始语音信号。

3.根据权利要求1所述的方法，其特征在于，所述根据所述初始语音信号及所述目标语音特征，生成所述待生成语音的语音信号，包括：

针对每一帧的目标语音特征，对该帧的目标语音特征进行卷积及全连接处理，得到该帧的特征向量；

利用预先训练好的语音生成神经网络，根据每一帧的所述特征向量及所述初始语音信号，生成所述待生成语音的语音信号。

4.根据权利要求3所述的方法，其特征在于，所述针对每一帧的目标语音特征，对该帧的目标语音特征进行卷积及全连接处理，得到该帧的特征向量，包括：

针对每一帧的目标语音特征，对该帧的目标语音特征进行两次卷积处理，得到卷积特征；

将该帧的目标语音特征与其对应的卷积特征相加，得到中间特征；

对该帧的中间特征进行两次全连接处理，得到该帧的特征向量。

5.根据权利要求3所述的方法，其特征在于，所述利用预先训练好的语音生成神经网络，根据每一帧的所述特征向量及所述初始语音信号，生成所述待生成语音的语音信号，包括：

针对每一帧特征向量，利用所述语音生成神经网络，根据该帧的特征向量及该帧的所述初始语音信号，预测在该帧的初始时刻时，所述初始语音信号与所述待生成语音的标准语音信号的残差值；

根据所述残差值与所述初始语音信号，生成在该帧的初始时刻时，所述待生成语音的语音信号；

针对该帧中除所述初始时刻外的每一时刻，利用所述语音生成神经网络，根据该时刻的前一时刻的所述语音信号、所述前一时刻的所述语音信号对应的残差值、所述该帧的特征向量以及该帧的所述初始语音信号，生成该时刻下，所述待生成语音的语音信号；

将每一帧中每一时刻下的所述待生成语音的语音信号按照时序组合，生成所述待生成语音的语音信号。

6.根据权利要求1所述的方法，其特征在于，所述目标声码器为WORLD声码器。

7.根据权利要求1所述的方法，其特征在于，所述频谱包络特征包括梅尔倒谱系数。

8.根据权利要求3所述的方法，其特征在于，所述方法还包括训练所述语音生成神经网络的步骤：

获取目标训练样本，所述目标训练样本包括多个语音特征训练样本及每个语音特征训练样本对应的标准语音信号；

利用所述目标声码器对每个所述语音特征训练样本进行处理，生成每个所述语音特征训练样本对应的初始语音信号训练样本；

利用所述语音特征训练样本、每个语音特征训练样本对应的初始语音信号训练样本及每个语音特征训练样本对应的标准语音信号，对所述语音生成神经网络进行训练。

9.根据权利要求3所述的方法，其特征在于，所述语音生成神经网络的类型为循环神经网络。