[发明专利]一种提高语音合成自然度的方法

权利要求书

1.一种提高语音合成自然度的方法，其特征是，具体包括如下步骤：

（1）文本编码：将文本通过字形到音素的工具得到与文本对应的音素，然后所有的音素组成一个音素字典，音素字典的个数作为嵌入层的维度，对文本的音素进行表征，即通过深度学习中的Embedding将音素映射到一个特征向量；

（2）由CBHG模块对表征的特征进行编码，表征的特征指深度学习中的特征向量，编码是指将表征的特征通过CBHG模块进行映射到另外一种特征向量；

（3）时长模型：将文本编码的结果作为输入，经过3层的卷积神经网络和1层全连接层对每个音素的持续时间进行预测，持续时间指的是网络预测的一个时长；

（4）预测结果与真实的标签作比对，对时长模型进行优化；预测结果就是网络对时长的预测，真实标签就是每个音素真实的时长，网络预测的时长和训练集中音素的真实时长去计算误差，然后不断减少这个误差即对时长模型进行优化；

（5）语音解码：将经过时长模型扩充后的特征经过一个2层的双向长短期记忆网络进行解码，解码出的结果组合成一个复数的特征，和从原始音频中短时傅里叶变换提取的复数特征是对应的；

（6）解码出的复数特征经短时傅里叶逆变换，还原为语音波形。

2.根据权利要求1所述的一种提高语音合成自然度的方法，其特征是，在步骤（2）中，所述CBHG模块由一个一维卷积滤波器组、一个高速公路网络和一个双向门控循环单元的循环神经网络组成。

3.根据权利要求1所述的一种提高语音合成自然度的方法，其特征是，在步骤（4）中，具体为：在获取音素的发音时长后，针对编码后的音素根据时长的数值进行扩充。