[发明专利]可控制语音速度的语音合成方法、装置、设备及存储介质

权利要求书

1.一种可控制语音速度的语音合成方法，其特征在于，所述方法包括：

获取待合成语音的文本序列、预设语音速度和待参考的梅尔频谱数据；

对所述待参考的梅尔频谱数据进行语音风格特征提取，得到待参考的语音风格特征数据；

对所述待合成语音的文本序列和所述预设语音速度进行状态向量转换，得到待合成的状态向量数据；

对所述待参考的语音风格特征数据和所述待合成的状态向量数据进行线性投影处理，得到线性投影后的向量数据；

根据所述待合成语音的文本序列和所述线性投影后的向量数据进行字符对齐处理，得到字符对齐后的向量数据；

对所述字符对齐后的向量数据进行梅尔频谱解码，得到目标梅尔频谱数据；

对所述目标梅尔频谱数据进行语音转换，得到目标语音数据。

2.根据权利要求1所述的可控制语音速度的语音合成方法，其特征在于，所述获取待合成语音的文本序列、预设语音速度和待参考的梅尔频谱数据的步骤之前，包括：

获取参考样本对，所述参考样本对包括：参考样本文本序列、参考样本梅尔频谱数据；

根据所述参考样本文本序列进行字符数量计算，得到所述参考样本对对应的字符数量；

根据所述参考样本梅尔频谱数据进行语音总时长计算，得到所述参考样本对对应的语音总时长；

将所述参考样本对对应的字符数量除以所述参考样本对对应的语音总时长，得到所述预设语音速度。

3.根据权利要求1所述的可控制语音速度的语音合成方法，其特征在于，所述对所述待参考的梅尔频谱数据进行语音风格特征提取，得到待参考的语音风格特征数据的步骤，包括：

采用GST编码器对所述待参考的梅尔频谱数据进行语音风格特征提取，得到所述待参考的语音风格特征数据。

4.根据权利要求1所述的可控制语音速度的语音合成方法，其特征在于，所述对所述待合成语音的文本序列和所述预设语音速度进行状态向量转换，得到待合成的状态向量数据的步骤，包括：

对所述待合成语音的文本序列和所述预设语音速度进行嵌入拼接处理，得到嵌入拼接后的向量数据；

采用文本编码器对所述嵌入拼接后的向量数据进行状态向量转换，得到所述待合成的状态向量数据。

5.根据权利要求4所述的可控制语音速度的语音合成方法，其特征在于，所述对所述待合成语音的文本序列和所述预设语音速度进行嵌入拼接处理，得到嵌入拼接后的向量数据的步骤，包括：

对所述待合成语音的文本序列进行字符数量计算，得到所述待合成语音的文本序列对应的目标字符数量；

采用所述目标字符数量将所述预设语音速度进行嵌入向量扩充，得到所述预设语音速度对应的嵌入向量数据；

对所述待合成语音的文本序列进行编码转换，得到所述待合成语音的文本序列对应的编码向量；

将所述预设语音速度对应的嵌入向量数据和所述待合成语音的文本序列对应的编码向量进行依次拼接，得到所述嵌入拼接后的向量数据。

6.根据权利要求1所述的可控制语音速度的语音合成方法，其特征在于，所述对所述待参考的语音风格特征数据和所述待合成的状态向量数据进行线性投影处理，得到线性投影后的向量数据的步骤包括：

将所述待参考的语音风格特征数据和所述待合成的状态向量数据进行拼接，得到待投影处理的向量数据；

采用全连接层对所述待投影处理的向量数据进行编码及维度变换，得到所述线性投影后的向量数据。

7.根据权利要求1所述的可控制语音速度的语音合成方法，其特征在于，所述根据所述待合成语音的文本序列和所述线性投影后的向量数据进行字符对齐处理，得到字符对齐后的向量数据的步骤，包括：

采用注意力机制基于所述待合成语音的文本序列对所述线性投影后的向量数据进行字符对齐处理，得到所述字符对齐后的向量数据。