[发明专利]一种基于RNN和PAD情感模型的情感语音合成方法

说明书

本发明公开了一种基于RNN和PAD情感模型的情感语音合成方法，包括：步骤1，基于情感语音库获取训练数据，包括PAD量化标注得到的PAD值、上下文相关标注、以及特征参数MGC、BAP和F0；步骤2，将训练数据输入基于LSTM的RNN模型进行训练，得到训练后的特征参数MGC、BAP和F0；步骤3，基于PAD情感模型，利用欧几里得距离计算用于修正训练后的特征参数MGC、BAP和F0的权重，然后利用权重对训练后的特征参数进行修正；步骤4，将待合成的文本经过文本分析得到上下文相关标注，然后将其与修正后的特征参数MGC、BAP和F0合成为情感语音。本发明将基于LSTM的RNN模型和PAD情感模型加入到语音合成中，解决传统语音合成带来的问题以及语音合成中情感不足的问题，提高了语音合成的自然度。

技术领域

本发明涉及，尤其是一种基于RNN和PAD情感模型的情感语音合成方法。

背景技术

近年来，语音合成技术从最初的物理机理语音合成，波形单位选择语音合成，韵律转换语音合成到统计参数语音合成和深度学习语音合成，合成语音的自然度有了较大的提升。然而，这些方法只是单纯的将文本信息输出为中性语音信息，使收听人长时间听后感到单调乏味，而且并没有携带应有的情感内容，使人听后容易产生偏差。

随着智能语音合成在人类语言上的应用，增加语音自然度的需求变得更加明显，语音合成自然度方面最明显的不足是情感表现力缺失，虽然情感语音合成在最近十年获得较大的发展，但在情感度上仍存在较大不足。主要有以下问题：

一、波形单位选择方法需要庞大的情感语音数据库，该数据库建立不易；

二、韵律特征修改方法通过修改韵律特征来实现情感语音合成，这会降低语音合成的质量；

三、基于HMM的统计参数方法生成的合成语音的质量已经得到了极大的提高，但是它的自然性仍然与实际人类语音相差甚远。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于RNN和PAD情感模型的情感语音合成方法。

本发明采用的技术方案如下：

一种基于RNN和PAD情感模型的情感语音合成方法，包括：

步骤1，获取情感语音库，并基于情感语音库获取训练数据：

(1)利用PAD情感量表对情感语音库进行PAD量化标注得到PAD值；

(2)对情感语音库进行文本分析得到上下文相关标注；

(3)对情感语音库提取声学特征，得到特征参数MGC、BAP和F0；

步骤2，将所述训练数据输入基于LSTM的RNN模型进行训练，得到训练后的特征参数MGC、BAP和F0；

步骤3，基于PAD情感模型，利用欧几里得距离计算用于修正所述训练后的特征参数MGC、BAP和F0的权重，然后利用权重对训练后的特征参数MGC、BAP和F0进行修正；

步骤4，将待合成的文本经过文本分析得到上下文相关标注，然后利用声码器将其与修正后的特征参数MGC、BAP和F0合成为情感语音。

进一步地，步骤3中计算PAD情感模型中某一维度的欧几里得距离的方法为：

其中，计算得到的所述欧几里得距离S(p₁-p₂)是指训练时的PAD值与PAD情感模型中的典型情感的PAD值之间的欧几里得距离；p₁和p₂分别是训练时的PAD值与PAD情感模型中的典型情感的PAD值；σ₁和σ₂分别是训练时的PAD值与PAD情感模型中的典型情感的PAD值的方差。