[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

说明书

本申请涉及人工智能技术领域，揭示了一种可控制语音速度的语音合成方法、装置、设备及存储介质，其中方法包括：根据待参考的梅尔频谱数据得到待参考的语音风格特征数据；对待合成语音的文本序列和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；对待参考的语音风格特征数据和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；根据待合成语音的文本序列和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；对目标梅尔频谱数据进行语音转换得到目标语音数据。实现将语音速度和语音的其他属性解耦合，改变语音速度时不会改变语音的其他属性。

技术领域

本申请涉及到人工智能技术领域，特别是涉及到一种可控制语音速度的语音合成方法、装置、设备及存储介质。

背景技术

现有技术在语音合成的风格控制领域上，通过从一条参考语音中抽取指标，然后采用文本转换语音系统根据抽取的指标生成与参考语音的风格相似的语音。因为语音的各个特征是很难拆分的，所以抽取指标的模型是通过无监督的方式进行训练的，而无监督的训练机制使得训练过程需要有一个具有多种语音风格并且规模较大的风格语音数据集，并且每一种风格的语音数据的数量需要足够充分，导致增加了成本。并且，采用文本转换语音系统根据抽取的指标生成与参考语音的风格相似的语音，在改变语音速度时也会改变语音的其他属性，导致影响了生成的语音的质量。

发明内容

本申请的主要目的为提供一种可控制语音速度的语音合成方法、装置、设备及存储介质，旨在解决现有技术的采用文本转换语音系统根据抽取的参考语音的指标生成与参考语音的风格相似的语音，在改变语音速度时也会改变语音的其他属性，导致影响了生成的语音的质量的技术问题。

为了实现上述发明目的，本申请提出一种可控制语音速度的语音合成方法，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。

进一步的，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。

进一步的，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。

进一步的，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：