[发明专利]基于变分自动编码器的跨语句语音合成方法、系统及设备

权利要求书

1.一种基于变分自动编码器的跨语句语音合成方法，其特征在于，所述方法包括：

基于音素序列和说话人信息进行编码以得到当前语句的混合编码F_i；

通过跨语句表征和多头注意力层对上下文信息进行编码以得到交叉语句向量表征G_i；

将所述混合编码F_i和所述交叉语句向量表征G_i连接后通过线性映射层输出含有每个音素的跨语句向量表征H_i；

将含有每个音素的跨语句向量表征H_i和获取得到每个音素的预测持续时间D_i连接后输入至条件先验模块以得到特定语句的条件先验z_p；

将参考梅尔频谱x_i作为条件后验模块的输入，结合所述条件先验z_p建立近似的条件后验z_i，并将所述条件后验z_i添加到含有每个音素的跨语句向量表征H_i；

根据每个音素的预测持续时间D_i扩展输入的参考梅尔频谱x_i的长度；通过并行计算将上下文信息转换为梅尔频谱序列。

2.根据权利要求1所述的一种基于变分自动编码器的跨语句语音合成方法，其特征在于，所述基于音素序列和说话人信息进行编码以得到当前语句的混合编码F_i，包括：

将当前语句u_i转换为音素序列P_i＝[p₁，p₂，…，p_T]，并通过变换器对所述音素序列进行编码以得到音素编码；

将说话人信息编码到说话人表征s_i中；

将所述说话人表征s_i与所述音素编码相加以得到混合编码F_i：

F_i＝[f_i(p₁)，f_i(p₂)，…，f_i(p_T)]；

其中，T表示音素的数量，f表示每个音素编码和说话人表征s_i相加的结果向量。