[发明专利]语音合成方法、装置、设备及存储介质

说明书

本发明涉及语义合成技术领域，公开了一种语音合成方法、装置、计算机设备及计算机可读存储介质，该方法包括：获取待合成文本，并通过语音合成模型将所述待合成文本转换为图嵌入向量信息，根据图编码器对所述图嵌入向量信息进行编码，生成对应的第一中间向量信息，根据所述第一中间向量信息生成对应的梅尔语谱信息，输出所述梅尔语谱信息对应的语音合成信息，实现通过图辅助编码器分析文本信息的具体语义信息来映射到不同的语音韵律节奏，使得韵律调节的过程成为一个全自动化的过程，提高了语音合成的准确率。同时，本发明还涉及区块链技术，且本发明可适用于智慧政务、智慧教育、智慧医疗等领域，从而可以进一步推动智慧城市的建设。

技术领域

本申请涉及语义合成技术领域，尤其涉及一种语音合成方法、装置、计算机设备及计算机可读存储介质。

背景技术

TTS语音合成系统(Text To Speech语音合成系统)，是智能对话系统中不可或缺的一部分。学术界和工业界尝试用有限的资源和时间来实现真人式语音的合成。近些年，神经网络的方法在Google的Tacotron和Wavenet发布后，成为语音合成领域的主流解决方案。

目前基于神经网络的TTS模型已经展示出了良好的合成效果，但是在语音合成的过程中，韵律嵌入仍旧是一个有挑战性的任务。韵律向量首先尝试被从Mel语谱中提取出之后，在端到端模型的注意力机制处与编码器的输出一同输入attention机制，但这种方法对于句子长度敏感，合成效果鲁棒性差。为此提出多头全局风格标记，被用来代表语音的不同的说话风格，这些方法控制了合成语音的全局风格，但是局部说话韵律如停顿、重读和语调，对于合成语音的自然度来说仍旧至关重要。因此学者提出用时间结构来控制合成语音的说话风格，或采用变分自编码器来学习说话风格的隐状态向量，使得端到端模型能够更容易用于局部风格控制。虽然一定程度上解决了语音合成过程中的局部韵律控制，但是在进行韵律控制的过程中，手动挑选参考语音的过程可能会造成模型误差的累积，合成语音的准确率较低。

发明内容

本申请的主要目的在于提供一种语音合成方法、装置、计算机设备及计算机可读存储介质，旨在解决现有韵律控制的过程中，手动挑选参考语音的过程可能会造成模型误差的累积，合成语音的准确率较低的技术问题。

第一方面，本申请提供一种语音合成方法，所述语音合成方法包括以下步骤：

获取待合成文本，并将所述待合成文本输入语音合成模型，其中，所述语音合成模型包括应用层、输出层、图编码器和注意力机制；

基于所述应用层将所述待合成文本转换为图嵌入向量信息；

根据所述图编码器对所述图嵌入向量信息进行编码，生成对应的第一韵律向量信息，并将所述第一韵律向量信息作为第一中间向量信息；

基于所述注意力机制，根据所述第一中间向量信息生成对应的梅尔语谱信息；

通过所述输出层输出所述梅尔语谱信息对应的语音合成信息。

第二方面，本申请还提供一种语音合成装置，所述语音合成装置包括：

第一获取模块，用于获取待合成文本，并将所述待合成文本输入语音合成模型，其中，所述语音合成模型包括应用层、输出层、图编码器和注意力机制；

转换模型，用于基于所述应用层将所述待合成文本转换为图嵌入向量信息；

第一生成模块，用于根据所述图编码器对所述图嵌入向量信息进行编码，生成对应的第一韵律向量信息，并将所述第一韵律向量信息作为第一中间向量信息；

第二生成模块，用于基于所述注意力机制，根据所述第一中间向量信息生成对应的梅尔语谱信息；

第二获取模块，用于通过所述输出层输出所述梅尔语谱信息对应的语音合成信息。