[发明专利]语音合成方法和装置

权利要求书

1.一种语音合成方法，其特征在于，所述方法包括：

确定文本信息和对应的音频信息；

确定所述文本信息对应的音素序列；

确定所述音频信息对应的音频特征向量序列，所述音频特征向量序列中包括多个音频特征向量；

确定目标场景对应的场景特征向量；

根据所述音素序列、音频特征向量序列和场景特征向量进行语音合成，以确定对应的语音信息；

其中，所述根据所述音素序列、音频特征向量序列和场景特征向量进行语音合成，以确定对应的语音信息包括：

将所述音素序列、音频特征向量序列和场景特征向量输入训练得到的语音合成模型，以输出对应的语音信息；

所述确定目标场景对应的场景特征向量包括：

对多个预设的场景标识信息进行独热编码，以确定多个场景独热向量，所述场景标识信息用于表征对应的场景；

确定目标场景对应的场景独热向量为场景特征向量。

2.根据权利要求1所述的方法，其特征在于，所述确定文本信息和对应的音频信息包括：

确定文本信息；

根据所述文本进行录制对应的音频信息。

3.根据权利要求1所述的方法，其特征在于，所述确定所述文本信息对应的音素序列包括：

确定所述文本信息中各文字对应的音素；

根据各所述音素确定音素序列，各所述音素在所述音素序列中的位置根据对应文字在时间维度上的顺序确定。

4.根据权利要求1所述的方法，其特征在于，所述确定所述音频信息对应的音频特征向量序列包括：

对所述音频信息进行分帧，得到包括多个音频信息片段的音频信息片段序列；

对各所述音频信息片段进行音频特征提取，以确定音频特征向量序列。

5.根据权利要求4所述的方法，其特征在于，所述对各所述音频信息片段进行音频特征提取具体为：

提取各所述音频信息片段的Fbank特征。

6.根据权利要求1所述的方法，其特征在于，所述语音合成模型包括特征对齐层、特征拼接层和语音合成层；

所述将所述音素序列、音频特征向量序列和场景特征向量输入训练得到的语音合成模型，以输出对应的语音信息包括：

将所述音素序列和音频特征向量序列输入所述特征对齐层，输出音素向量序列；

将所述音素向量序列与所述场景特征向量输入所述特征拼接层进行特征拼接后输入语音合成层，以输出对应的语音信息。

7.一种语音合成装置，其特征在于，所述装置包括：

信息确定模块，用于确定文本信息和对应的音频信息；

第一序列确定模块，用于确定所述文本信息对应的音素序列；

第二序列确定模块，用于确定所述音频信息对应的音频特征向量序列，所述音频特征向量序列中包括多个音频特征向量；

向量确定模块，用于确定目标场景对应的场景特征向量；

语音合成模块，用于根据所述音素序列、音频特征向量序列和场景特征向量进行语音合成，以确定对应的语音信息；

其中，所述语音合成模块具体用于：

将所述音素序列、音频特征向量序列和场景特征向量输入训练得到的语音合成模型，以输出对应的语音信息；

所述向量确定模块具体用于：

对多个预设的场景标识信息进行独热编码，以确定多个场景独热向量，所述场景标识信息用于表征对应的场景；

确定目标场景对应的场景独热向量为场景特征向量。

8.一种计算机可读存储介质，用于存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-6中任一项所述的方法。

9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法。