[发明专利]语音合成方法、装置和计算机可读存储介质

权利要求书

1.一种语音合成方法，包括：

获取目标文本的音素特征、语义特征和声学特征；

对所述音素特征和所述声学特征执行第一对齐操作，以得到第一对齐特征；

将所述第一对齐特征和所述声学特征进行特征融合，以得到第一融合特征；

对所述语义特征和所述第一融合特征进行第二对齐操作，以得到第二对齐特征；

将所述第一对齐特征和所述第二对齐特征进行特征融合，以得到第二融合特征；

基于所述第二融合特征生成所述目标文本的合成语音。

2.根据权利要求1所述的方法，其中，获取目标文本的音素特征包括：

利用预设的字素转音素单元对所述目标文本进行转换处理，以得到音素序列；

利用经过训练的编码器对所述音素序列进行音素特征提取处理，以得到所述目标文本的音素特征。

3.根据权利要求2所述的方法，其中，所述对所述音素序列进行音素特征提取处理包括：

获取与所述音素序列相对应的音素编码；

根据所述音素编码获取中间特征向量，其中，所述中间特征向量与所述音素编码中的局部特征信息和上下文信息相关联；

对所述中间特征向量进行音素特征提取处理，以得到所述音素特征。

4.根据权利要求3所述的方法，其中，所述根据所述音素编码获取中间特征向量包括：

基于所述音素编码连续执行N次指定的组合操作，并将第N次组合操作输出的特征向量作为中间特征向量，N为正整数，其中，第1次组合操作的输入为所述音素编码，第i次组合操作的输入为第i-1次所述组合操作的输出，1i≤N，所述组合操作包括卷积操作和非线性变换操作。

5.根据权利要求3所述的方法，其中，对所述中间特征向量进行音素特征提取处理包括：

利用预设的长短期记忆网络对所述中间特征向量进行音素特征提取处理，以得到所述音素特征。

6.根据权利要求1所述的方法，其中，所述将所述第一对齐特征和所述声学特征进行特征融合包括：

将所述第一对齐特征和所述声学特征进行拼接，以得到所述第一融合特征。

7.根据权利要求1所述的方法，其中，获取目标文本的语义特征包括：

利用经过训练的语义特征提取模型对所述目标文本进行语义特征提取操作，以得到所述语义特征。

8.根据权利要求7所述的方法，其中，所述对所述目标文本进行语义特征提取操作包括：

对所述目标文本进行字符切分，以得到字符序列；

获取所述字符序列对应的字符编码；

基于所述字符编码进行语义特征提取，以得到所述语义特征。

9.根据权利要求7所述的方法，其中，

所述语义特征提取模型包括基于转换器的双向编码表征BERT模型。

10.根据权利要求1所述的方法，其中，所述将所述第一对齐特征和所述第二对齐特征进行特征融合包括：

将所述第一对齐特征和所述对齐特征进行拼接，以得到所述第二融合特征。

11.根据权利要求1所述的方法，其中，

所述第一对齐操作和所述第二对齐操作均为基于注意力机制的对齐操作。

12.根据权利要求1-11中任一项所述的方法，其中，所述基于所述第二融合特征生成所述目标文本的合成语音包括：

利用经过训练的解码器对所述第二融合特征进行自回归解码，以得到梅尔谱；

利用声码器将所述梅尔谱转换为音频，并将所述音频作为所述目标文本的合成语音。