CN109087627A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据上述基频序列得到针对该音节的基频特征信息；统计上述语音集合中语音的音节的基频特征信息，得到统计结果；根据上述统计结果，生成上述语音集合中语音的音节的重音信息。该实施方式实现了语音集合中语音的音节的重音信息的自动生成。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

随着语音合成技术的发展，合成语音无论从可懂度还是自然度而言都有了很多的进步。然而，目前的合成语音依然比较单调无趣。不同于合成语音，不同地区的人说话时有不同的发音习惯，重音(accent)可以描述不同发音习惯之间的差异，因此，在合成语音时加入重音信息能够较好的合成具有“人情味”的语音。现阶段，语音合成***通常包括多种模型，例如，文本模型、预测模型、声学模型等等。而想要合成带重音的语音，则需要使用带重音标注的训练数据训练语言合成***中的模型。使用人工标注的方式标注训练数据中的重音，不仅要求标注人员非常熟悉说话人的发音习惯，还需要消耗较大的人力和财力。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据上述基频序列得到针对该音节的基频特征信息；统计上述语音集合中语音的音节的基频特征信息，得到统计结果；根据上述统计结果，生成上述语音集合中语音的音节的重音信息。

在一些实施例中，上述方法还包括：使用生成的重音信息对上述语音集合中语音的音节进行重音标注；基于重音标注后的语音集合训练重音预测模型，其中，上述重音预测模型用于预测文本对应的语音的音节的重音信息。

在一些实施例中，上述基于重音标注后的语音集合训练重音预测模型，包括：获取重音标注后的语音集合中语音对应的文本特征信息；将重音标注后的语音集合中语音的文本特征信息作为输入，将输入的文本特征信息对应的语音的重音标注结果作为期望输出，训练得到重音预测模型。

在一些实施例中，音节的基频特征信息包括音节的基频幅值；以及上述根据上述统计结果，生成上述语音集合中的语音的音节的重音信息，包括：根据上述统计结果，确定上述语音集合中语音的音节的基频幅值阈值；根据确定的基频幅值阈值生成上述语音集合中语音的音节的重音信息。

在一些实施例中，音节的基频特征信息包括音节的基频时长；以及上述根据上述统计结果，生成上述语音集合中的语音的音节的重音信息，包括：根据上述统计结果，确定上述语音集合中语音的音节的基频时长阈值；根据确定的基频时长阈值生成上述语音集合中语音的音节的重音信息。

第二方面，本申请实施例提供了一种用于生成信息的装置，上述装置包括：提取单元，被配置成对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据上述基频序列得到针对该音节的基频特征信息；统计单元，被配置成统计上述语音集合中语音的音节的基频特征信息，得到统计结果；生成单元，被配置成根据上述统计结果，生成上述语音集合中语音的音节的重音信息。

在一些实施例中，上述装置还包括：标注单元，被配置成使用生成的重音信息对上述语音集合中语音的音节进行重音标注；训练单元，被配置成基于重音标注后的语音集合训练重音预测模型，其中，上述重音预测模型用于预测文本对应的语音的音节的重音信息。

在一些实施例中，上述训练单元进一步被配置成：获取重音标注后的语音集合中语音对应的文本特征信息；将重音标注后的语音集合中语音的文本特征信息作为输入，将输入的文本特征信息对应的语音的重音标注结果作为期望输出，训练得到重音预测模型。

在一些实施例中，音节的基频特征信息包括音节的基频幅值；以及上述生成单元进一步被配置成：根据上述统计结果，确定上述语音集合中语音的音节的基频幅值阈值；根据确定的基频幅值阈值生成上述语音集合中语音的音节的重音信息。

在一些实施例中，音节的基频特征信息包括音节的基频时长；以及上述生成单元进一步被配置成：根据上述统计结果，确定上述语音集合中语音的音节的基频时长阈值；根据确定的基频时长阈值生成上述语音集合中语音的音节的重音信息。

第三方面，本申请实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法和装置，对于语言集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，并根据基频序列得到针对该音节的基频特征信息，而后统计语音集合中语音的音节的基频特征信息，得到统计结果，最后，根据统计结果生成语音集合中语音的音节的重音信息，从而自动生成了语音集合中语音的音节的重音信息，相对于人工生成，提高了信息生成效率，避免了人为因素对结果的影响，降低了成本。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性***架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的一个示例的基频幅值的分布示意图；

图4是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图5是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于生成信息的方法或用于生成信息的装置的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如语音合成类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是能够对语音进行处理的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对接收到的语音集合等数据进行分析等处理，并将处理结果(例如重音信息)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于生成信息的方法可以通过终端设备101、102、103执行，也可以通过服务器105执行。相应地，用于生成信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。本申请对此不做限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据基频序列得到针对该音节的基频特征信息。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)本地可以预先存储有语音集合，上述语音集合可以是存放语音的仓库。作为示例，上述语音集合中的语音可以是一个人录制的声音，也可以是一类人录制的声音，例如，同一地区的、具有相同发音习惯的一类人录制的声音。上述语音集合中的语音可以是各种语种的语音，例如，英语、汉语等等。

对于上述语音集合中每一条语音的每一个音节，上述执行主体首先可以提取该音节对应的基频，得到针对该音节的基频序列。这里，音节是语音中最自然的结构单元。基频为基音的频率。一般的声音都是由发音体发出的一系列频率、振幅各不相同的振动复合而成的。这些振动中有一个频率最低的振动，由它发出的音就是基音(fundamental tone)，其余为泛音。作为示例，上述执行主体可以将该语音进行语音切分，切分成多个音节。对于多个音节中的每一个音节，上述执行主体可以提取该音节对应的基频，从而得到针对该音节的基频序列。例如，上述执行主体可以间隔设定时长(例如，5毫秒)提取一次该音节的基频，从而得到该音节的基频序列。之后，上述执行主体可以根据针对该音节的基频序列得到针对该音节的基频特征信息。作为示例，基频特征信息可以包括但不限于基频最大值、基频最小值、基频幅值、基频时长等等，其中，基频幅值可以是指基频最大值和基频最小值之差，基频时长可以是指基频序列中非零基频所占的时长。需要说明的是，语音切分和基频提取是目前广泛研究和应用的公知技术，此处不再赘述。

步骤202，统计语音集合中语音的音节的基频特征信息，得到统计结果。

在本实施例中，上述执行主体可以统计上述语音集合中全部(或者部分)语音的音节的基频特征信息，得到统计结果。以基频特征信息包括基频幅值为例，上述执行主体可以按基频幅值由大到小的顺序对上述语音集合中的音节进行排序，并统计各个基频幅值上音节的数量，可以得到如图3所示的基频幅值分布图，该分布图的横坐标表示对基频幅值进行对数处理后的值，纵坐标表示音节的数量。作为示例，上述执行主体还可以统计上述语音集合中至少一条语音的音节的基频特征信息的均值、方差、四分位数等信息，得到统计结果。

步骤203，根据统计结果，生成语音集合中语音的音节的重音信息。

在本实施例中，上述执行主体可以根据步骤202的统计结果生成上述语音集合中语音的音节的重音信息。在这里，音节的重音信息可以包括“是”和“否”两种类型，“是”表示该音节需要重([zhòng])读，“否”表示该音节不需要重([zhòng])读。作为示例，重音信息可以用1和0表示，1表示“是”，0表示“否”。

在本实施例的一些可选的实现方式中，音节的基频特征信息可以包括音节的基频幅值。以及上述步骤203可以具体如下进行：

首先，上述执行主体可以根据上述统计结果确定上述语音集合中语音的音节的基频幅值阈值。作为示例，上述执行主体可以按基频幅值由大到小的顺序将上述语音集合中语音的音节进行排序，并将排在前20％的多个音节作为目标音节，确定多个目标音节中基频幅值最小的目标音节，将确定的目标音节对应的基频幅值作为基频幅值阈值。

之后，上述执行主体可以根据确定的基频幅值阈值生成上述语音集合中语音的音节的重音信息。作为示例，上述执行主体可以将上述语音集合中每一条语音的各个音节的基频幅值与上述基频幅值阈值进行对比，如果该音节的基频幅值大于上述基频幅值阈值，则生成重音信息“是”；如果该音节的基频幅值小于上述基频幅值阈值，则生成重音信息“否”。实践中，重音音节的基频幅值普遍高于非重音音节的基频幅值。因此，通过统计结果确定基频幅值阈值，并基于基频幅值阈值生成重音信息可以使生成的重音信息更加准确。

在本实施例的一些可选的实现方式中，音节的基频特征信息可以包括音节的基频时长。以及上述步骤203可以具体如下进行：

首先，上述执行主体可以根据上述统计结果确定上述语音集合中语音的音节的基频时长阈值。作为示例，上述执行主体可以按基频时长由大到小的顺序将上述语音集合中语音的音节进行排序，并将排在前20％的多个音节作为目标音节，确定多个目标音节中基频时长最小的目标音节，将确定的目标音节对应的基频时长作为基频时长阈值。

之后，上述执行主体可以根据确定的基频时长阈值生成上述语音集合中语音的音节的重音信息。作为示例，上述执行主体可以将上述语音集合中每一条语音的各个音节的基频时长与上述基频时长阈值进行对比，如果该音节的基频时长大于上述基频时长阈值，则生成重音信息“是”；如果该音节的基频时长小于上述基频时长阈值，则生成重音信息“否”。实践中，重音音节的基频时长普遍高于非重音音节的基频时长，因此，通过统计结果确定基频时长阈值，并基于基频时长阈值生成重音信息可以使生成的重音信息更加准确。

继续参见图4，图4是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图4的应用场景中，来自同一地区的、具有相同发音习惯的多个人提前录制多条语音，形成语音集合A。对于语音集合A中每一条语音的每一个音节，终端设备401首先可以提取该音节对应的基频，得到针对该音节的基频序列，并根据基频序列得到针对该音节的基频特征信息。之后，终端设备401可以统计语音集合A中每一条语音的每一个音节的基频特征信息，得到统计结果。最后，终端设备401根据统计结果，生成语音集合A中每一条语音的每一个音节的重音信息。

本申请的上述实施例提供的方法实现了语音集合中语音的音节的重音信息的自动生成，相对于人工生成，提高了信息生成效率，避免了人为因素对结果的影响，降低了成本。

进一步参考图5，其示出了用于生成信息的方法的又一个实施例的流程500。该用于生成信息的方法的流程500，包括以下步骤：

步骤501，对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据基频序列得到针对该音节的基频特征信息。

在本实施例中，步骤501与图2所示实施例中的步骤201原理类似，此处不再赘述。

步骤502，统计语音集合中语音的音节的基频特征信息，得到统计结果。

在本实施例中，步骤502与图2所示实施例中的步骤202原理类似，此处不再赘述。

步骤503，根据统计结果，生成语音集合中语音的音节的重音信息。

在本实施例中，步骤503与图2所示实施例中的步骤203原理类似，此处不再赘述。

步骤504，使用生成的重音信息对语音集合中语音的音节进行重音标注。

在本实施例中，上述执行主体可以使用步骤503所生成的重音信息对上述语音集合中的语音的音节的进行重音标注。作为示例，上述执行主体可以将上述语音集合中的语音的、重音信息为“是”的音节标注为“1”，将上述语音集合中的语音的、重音信息为“否”的音节标注为“0”。

步骤505，基于重音标注后的语音集合训练重音预测模型。

在本实施例中，上述执行主体可以基于重音标注后的语音集合训练重音预测模型。在这里，上述重音预测模型可以用于预测文本对应的语音的音节的重音信息。作为示例，上述重音预测模型可以是机器学习模型可以包括但不限于DNN(Deep Neural Network，深层神经网络)，SVM(Support Vector Machine，支持向量机)，LSTM(Long Short-TermMemory，长短期记忆网络)，CRF(conditional random field algorithm，条件随机场算法)，attention(注意力机制)，wavenet等。在一些使用场景中，还可以基于重音标注后的语音集合训练声学模型，上述声学模型可以用于表征文本信息(例如，文本长度、单词数量、音节数量、音节位置等等)与声学参数的对应关系。作为示例，上述声学模型可以包括但不限于HMM(Hidden Markov Model，隐马尔可夫模型)，DNN，LSTM，attention，wavenet等

在本实施例的一些可选的实现方式中，上述步骤505可以具体如下进行：

首先，上述执行主体可以获取重音标注后的语音集合中语音对应的文本特征信息。作为示例，上述执行主体可以将重音标注后的语音集合中的每一条语音识别为文本，并采用现有的各种方式获取该条文本对应的文本特征信息。在这里，文本特征信息可以包括但不限于词向量、词性、大小写特征、音节数等等。

之后，上述执行主体可以将重音标注后的语音集合中语音的文本特征信息作为输入，将输入的文本特征信息对应的语音的重音标注结果作为期望输出，训练得到重音预测模型。作为示例，训练过程中，可以将重音预测模型的输出与期望输出进行比较，如果两者之间的误差值小于预先设定的阈值，则表示训练完成，停止训练；如果两者之间的误差值不小于预先设定的阈值，则可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如随机梯度下降算法)对重音预测模型的参数进行调整，并采用上述方式继续对参数调整后的重音预测模型进行训练。

与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程500突出了对语音集合中语音的音节进行重音标注，并基于重音标注后的语音集合训练重音预测模型的步骤。由此，本实施例描述的方案可以提高重音信息的生成效率，进而缩短重音预测模型的生成周期。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于生成信息的装置600包括：提取单元601、统计单元602和生成单元603。其中，提取单元601被配置成对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据上述基频序列得到针对该音节的基频特征信息；统计单元602被配置成统计上述语音集合中语音的音节的基频特征信息，得到统计结果；生成单元603被配置成根据上述统计结果，生成上述语音集合中语音的音节的重音信息。

在本实施例中，用于生成信息的装置600的提取单元601、统计单元602和生成单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置600还包括：标注单元(图中未示出)，被配置成使用生成的重音信息对上述语音集合中语音的音节进行重音标注；训练单元(图中未示出)，被配置成基于重音标注后的语音集合训练重音预测模型，其中，上述重音预测模型用于预测文本对应的语音的音节的重音信息。

在本实施例的一些可选的实现方式中，上述训练单元进一步被配置成：获取重音标注后的语音集合中语音对应的文本特征信息；将重音标注后的语音集合中语音的文本特征信息作为输入，将输入的文本特征信息对应的语音的重音标注结果作为期望输出，训练得到重音预测模型。

在本实施例的一些可选的实现方式中，音节的基频特征信息包括音节的基频幅值；以及上述生成单元603进一步被配置成：根据上述统计结果，确定上述语音集合中语音的音节的基频幅值阈值；根据确定的基频幅值阈值生成上述语音集合中语音的音节的重音信息。

在本实施例的一些可选的实现方式中，音节的基频特征信息包括音节的基频时长；以及上述生成单元603进一步被配置成：根据上述统计结果，确定上述语音集合中语音的音节的基频时长阈值；根据确定的基频时长阈值生成上述语音集合中语音的音节的重音信息。

下面参考图7，其示出了适于用来实现本申请实施例的设备的计算机***700的结构示意图。图7示出的设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机***700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括提取单元、统计单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据上述基频序列得到针对该音节的基频特征信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据上述基频序列得到针对该音节的基频特征信息；统计上述语音集合中语音的音节的基频特征信息，得到统计结果；根据上述统计结果，生成上述语音集合中语音的音节的重音信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于生成信息的方法，包括：

对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据所述基频序列得到针对该音节的基频特征信息；

统计所述语音集合中语音的音节的基频特征信息，得到统计结果；

根据所述统计结果，生成所述语音集合中语音的音节的重音信息。

2.根据权利要求1所述的方法，其中，所述方法还包括：

使用生成的重音信息对所述语音集合中语音的音节进行重音标注；

基于重音标注后的语音集合训练重音预测模型，其中，所述重音预测模型用于预测文本对应的语音的音节的重音信息。

3.根据权利要求2所述的方法，其中，所述基于重音标注后的语音集合训练重音预测模型，包括：

获取重音标注后的语音集合中语音对应的文本特征信息；

将重音标注后的语音集合中语音的文本特征信息作为输入，将输入的文本特征信息对应的语音的重音标注结果作为期望输出，训练得到重音预测模型。

4.根据权利要求1所述的方法，其中，音节的基频特征信息包括音节的基频幅值；以及

所述根据所述统计结果，生成所述语音集合中的语音的音节的重音信息，包括：

根据所述统计结果，确定所述语音集合中语音的音节的基频幅值阈值；

根据确定的基频幅值阈值生成所述语音集合中语音的音节的重音信息。

5.根据权利要求1所述的方法，其中，音节的基频特征信息包括音节的基频时长；以及

所述根据所述统计结果，生成所述语音集合中的语音的音节的重音信息，包括：

根据所述统计结果，确定所述语音集合中语音的音节的基频时长阈值；

根据确定的基频时长阈值生成所述语音集合中语音的音节的重音信息。

6.一种用于生成信息的装置，包括：

提取单元，被配置成对于预先设定的语音集合中语音的音节，提取该音节对应的基频，得到针对该音节的基频序列，根据所述基频序列得到针对该音节的基频特征信息；

统计单元，被配置成统计所述语音集合中语音的音节的基频特征信息，得到统计结果；

生成单元，被配置成根据所述统计结果，生成所述语音集合中语音的音节的重音信息。

7.根据权利要求6所述的装置，其中，所述装置还包括：

标注单元，被配置成使用生成的重音信息对所述语音集合中语音的音节进行重音标注；

训练单元，被配置成基于重音标注后的语音集合训练重音预测模型，其中，所述重音预测模型用于预测文本对应的语音的音节的重音信息。

8.根据权利要求7所述的装置，其中，所述训练单元进一步被配置成：

获取重音标注后的语音集合中语音对应的文本特征信息；

将重音标注后的语音集合中语音的文本特征信息作为输入，将输入的文本特征信息对应的语音的重音标注结果作为期望输出，训练得到重音预测模型。

9.根据权利要求6所述的装置，其中，音节的基频特征信息包括音节的基频幅值；以及

所述生成单元进一步被配置成：

根据所述统计结果，确定所述语音集合中语音的音节的基频幅值阈值；

根据确定的基频幅值阈值生成所述语音集合中语音的音节的重音信息。

10.根据权利要求6所述的装置，其中，音节的基频特征信息包括音节的基频时长；以及

所述生成单元进一步被配置成：

根据所述统计结果，确定所述语音集合中语音的音节的基频时长阈值；

根据确定的基频时长阈值生成所述语音集合中语音的音节的重音信息。

11.一种设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。