[发明专利]语音合成方法、装置、设备及存储介质

说明书

本发明提供了一种语音合成方法、装置、设备及存储介质，该方法包括：将待处理的文本数据的每个字转成相应的音素；根据预先构建的音素与数值映射字典，将所述文本数据的每个音素转成相应的音素数值；根据所述音素数值，通过预先训练的声学模型，获得所述文本数据对应的梅尔频谱；其中，所述声学模型根据音素向量与音素数值映射基于神经网络模型训练得到；将所述梅尔频谱输入到声码器中以将所述梅尔频谱转换成音频。本发明能有效提高语音合成的效果，使得合成的音频更加自然、真实，同时能提高语音合成的推理速度。

技术领域

本发明涉及语音合成技术领域，尤其涉及一种语音合成方法、装置、设备及存储介质。

背景技术

语音合成，又称文语转换(Text to Speech)技术，通过将任意文字信息实时转化为语音，其在语音交互、实时新闻语音播报、语音翻译等语音合成应用场景具有很好的应用前景。目前，常规的语音合成方法是：先储存每个音素的波形，然后先把文字转成音素，再查找音素对应的波形，通过预设的规则拼接波形，输出语音。但是通过波形拼接方法合成语音效果不够自然，与真人语音有较大的差距。

发明内容

针对上述问题，本发明的目的在于提供一种语音合成方法、装置、设备及存储介质，其能有效提高语音合成的效果，使得合成的音频更加自然、真实。

第一方面，本发明实施例提供了一种语音合成方法，包括：

将待处理的文本数据的每个字转成相应的音素；

根据预先构建的音素与数值映射字典，将所述文本数据的每个音素转成相应的音素数值；

根据所述音素数值，通过预先训练的声学模型，获得所述文本数据对应的梅尔频谱；其中，所述声学模型根据音素向量与音素数值映射基于神经网络模型训练得到；

将所述梅尔频谱输入到声码器中以将所述梅尔频谱转换成音频。

作为上述方案的改进，所述方法还包括以下所述声学模型训练步骤：

将预先采集的文本样本的每个字转成相应的音素；

根据所述音素与数值映射字典，将所述文本样本的每个音素转换成音素数值；

获取所述文本样本的每个音素的音频特征；

根据所述文本样本的每个音素的音频特征，得到所述文本样本的音素向量；

以所述文本样本的音素向量和音素数值为训练集，对神经网络模型进行训练，得到所述声学模型。

作为上述方案的改进，所述将待处理的文本数据的每个字转成相应的音素，包括：

将所述文本数据的每个字转成拼音；

根据预先构建的拼音与音素字典文件，将每个拼音映射成音素。

作为上述方案的改进，所述获取所述文本样本的每个音素的音频特征，包括：

对预存的音频数据进行归一化处理；

获取所述音频数据对应的文本样本中每个字对应的拼音；

根据归一化后的音频数据、所述文本样本对应的拼音及预先构建的拼音与音素字典文件，通过预先预先训练好的对齐模型，获得音频与音素的对齐结果；

根据所述对齐结果，读取所述文本样本中每个音素的音频范围；

根据每个音素的音频范围切分出每个音素在所述文本样本中音频特征。

作为上述方案的改进，所述根据所述对齐结果，读取所述文本样本中每个音素的音频范围，包括：