[发明专利]一种音乐数据的生成方法、装置、设备以及存储介质

权利要求书

1.一种音乐数据的生成方法，其特征在于，包括：

获取原始视频数据，以及预设的资源模板；所述资源模板包括预设的伴奏数据中每个伴奏片段的字符串数量、第一时长以及重音级别；所述第一时长为字符串在所述伴奏数据中占用的帧数，所述重音级别为字符串在所述伴奏数据中的重音级别；

根据所述原始视频数据的资源特征，以及所述伴奏数据中每个伴奏片段的字符串数量，生成与所述原始视频的资源特征对应的歌词；所述歌词中的歌词片段与所述伴奏数据中的伴奏片段一一对应，且每个歌词片段的字符串数量与对应的伴奏片段的字符串数量相等；

基于所述歌词、所述歌词中每个字符串的所述第一时长、所述每个字符串的所述重音级别，以及预设的音色特征，生成具有所述音色特征的语音数据；所述语音数据用于按照对应的所述第一时长及所述重音级别播放所述歌词中的所述每个字符串；

合并所述语音数据以及所述伴奏数据，以生成所述原始视频数据对应的音乐数据。

2.根据权利要求1所述的音乐数据的生成方法，其特征在于，所述基于所述歌词、所述歌词中每个字符串的所述第一时长、所述每个字符串的所述重音级别，以及预设的音色特征，生成具有所述音色特征的语音数据，包括：

确定所述歌词中所述每个字符串所包括的音素以及每个音素的音调；

确定所述每个音素在所述伴奏数据中的第二时长，以及所述每个音素的第一能量值；所述每个字符串中所有音素的所述第二时长之和为所述每个字符串的所述第一时长；每个音素的所述第一能量值为所述每个音素在所述伴奏数据中的能量值，且所述每个音素的所述第一能量值与所述每个音素所在的字符串的重音级别正相关；

根据所述每个音素、所述每个音素的音调、所述每个音素的所述第二时长、所述每个音素的所述第一能量值以及所述音色特征，生成所述语音数据。

3.根据权利要求2所述的音乐数据的生成方法，其特征在于，所述确定所述每个音素在所述伴奏数据中的第二时长，以及所述每个音素的第一能量值，包括：

对于第一字符串，确定所述第一字符串中音素的第三时长，以及所述第一字符串中音素的第二能量值；所述第一字符串为所述歌词中任意的一个字符串；每个音素的所述第三时长为所述每个音素在所述歌词的字符串中占用的帧数；所述每个音素的所述第二能量值为所述每个音素在所述歌词的字符串中的能量值；

根据所述第一字符串中音素的所述第三时长，以及所述第一字符串的所述第一时长，确定所述第一字符串中音素的所述第二时长；

基于所述第一字符串中音素的所述第二能量值，以及所述第一字符串的所述重音级别，确定所述第一字符串中音素的所述第一能量值。

4.根据权利要求3所述的音乐数据的生成方法，其特征在于，所述根据所述第一字符串中音素的所述第三时长，以及所述第一字符串的所述第一时长，确定所述第一字符串中音素的所述第二时长，包括：

确定所述第一字符串中音素的所述第三时长之和，与所述第一字符串的所述第一时长的比值，为所述第一字符串的调整比例；

基于所述调整比例，分别调整所述第一字符串中音素的所述第三时长，以得到所述第一字符串中音素的所述第二时长。

5.根据权利要求2所述的音乐数据的生成方法，其特征在于，所述根据所述每个音素、所述每个音素的音调、所述每个音素的所述第二时长、所述每个音素的所述第一能量值以及所述音色特征，生成所述语音数据，包括：

对于第一音素，根据所述第一音素的所述第二时长、所述第一音素的音调、所述第一音素的所述第一能量值以及所述音色特征，生成与所述第一音素对应的帧特征组；所述第一音素为所述歌词中的任意一个音素；每个音素对应的帧特征组包括多个帧特征，且所述多个帧特征的数量对应于所述每个音素的所述第二时长；所述每个音素对应的每个帧特征均包括所述每个音素、所述每个音素的音调、所述每个音素的所述第一能量值以及所述音色特征；

合并所述歌词中所有音素分别对应的帧特征组，以得到所述歌词对应的语音谱参数，并将所述语音谱参数转换为所述语音数据。