[发明专利]语音合成方法、装置、电子设备及存储介质

说明书

本申请公开了语音合成方法、装置、电子设备及存储介质，涉及语音技术、深度学习技术领域。具体实现方案为：获取待合成的文本，以及文本对应的说话者的标识；将文本以及说话者的标识输入韵律预测模型，获取文本的韵律特征；将文本、说话者的标识以及韵律特征输入语音合成模型，获取待合成的文本对应的语音，从而能够避免语音合成时韵律特征与文本之间的耦合，在采用一种语言下的说话人，进行另一种语言下文本的语音合成的场景，避免同时结合两种韵律特征来合成语音，从而提高语音合成效果，提高合成得到的语音的还原度。

技术领域

本申请涉及计算机技术领域，具体涉及语音技术、深度学习技术领域，尤其涉及语音合成方法、装置、电子设备及存储介质。

背景技术

目前的语音合成技术为，录制高质量的语音库，获取语音库中语音对应的文本以及说话人，通过神经网络模型进行训练，输入为文本以及说话人，输出为语音，从而得到声学模型。

语音中还包含说话人相关的韵律特征。在支持多语言的语音合成系统中，各语言的文本是语言相关的，比如英语和汉语的文本相互独立；录制语音库时，每个说话人通常只会讲一种语言。因此，在神经网络模型的训练过程中，说话人相关的韵律特征和语言之间的耦合度很高，从而说话人相关的韵律特征和语言下文本之间的耦合度很高。在跨语言语音合成中，使用一种语言下的说话人进行另一种语言下文本的语音合成时，会导致合成后的语音还原度差，合成效果差。

发明内容

本公开提供了一种语音合成方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种语音合成方法，包括：获取待合成的文本，以及所述文本对应的说话者的标识；将所述文本以及所述说话者的标识输入韵律预测模型，获取所述文本的韵律特征；将所述文本、所述说话者的标识以及所述韵律特征输入语音合成模型，获取所述待合成的文本对应的语音。

根据本公开的另一方面，提供了一种语音合成装置，包括：获取模块，用于获取待合成的文本，以及所述文本对应的说话者的标识；第一输入模块，用于将所述文本以及所述说话者的标识输入韵律预测模型，获取所述文本的韵律特征；第二输入模块，用于将所述文本、所述说话者的标识以及所述韵律特征输入语音合成模型，获取所述待合成的文本对应的语音。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的语音合成方法。

根据第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的语音合成方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是韵律预测模型的结构示意图；

图3是语音合成模型的结构示意图；

图4是根据本申请第二实施例的示意图；

图5是韵律提取模型的结构示意图；

图6是根据本申请第三实施例的示意图；

图7是根据本申请第四实施例的示意图；

图8是用来实现本申请实施例的语音合成方法的电子设备的框图。

具体实施方式