CN111354334B - 语音输出方法、装置、设备和介质 - Google Patents
语音输出方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111354334B CN111354334B CN202010187465.8A CN202010187465A CN111354334B CN 111354334 B CN111354334 B CN 111354334B CN 202010187465 A CN202010187465 A CN 202010187465A CN 111354334 B CN111354334 B CN 111354334B
- Authority
- CN
- China
- Prior art keywords
- voice
- text
- target
- local
- library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000015572 biosynthetic process Effects 0.000 claims description 57
- 238000003786 synthesis reaction Methods 0.000 claims description 57
- 239000012634 fragment Substances 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 17
- 230000003993 interaction Effects 0.000 abstract description 27
- 238000012545 processing Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 10
- 230000002452 interceptive effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
- G10L13/047—Architecture of speech synthesisers
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Navigation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了一种语音输出方法、装置、设备和介质，涉及语音处理技术。其中，该方法包括：确定待处理的目标文本；将目标文本在本地文本库中进行匹配，确定目标文本对应的预设文本；根据预设文本，从本地语音库中确定目标文本的输出语音，以进行输出；其中，本地语音库按照文本和语音的对应关系预先配置。本申请实施例可以在支持语音交互的设备处于离线状态时，优化输出语音，提高输出语音的人性化，减少机械化语音对用户体验的影响。
Description
技术领域
本申请实施例涉及计算机技术，具体涉及语音处理技术，尤其涉及一种语音输出方法、装置、设备和介质。
背景技术
随着计算机技术的普及，语音交互被广泛应用在各个领域，例如智能导航、智能家居等。利用车载设备进行语音导航或者利用智能音箱进行对话过程中，车载设备或者智能音箱中均需要支持语音合成(Text To Speech，TTS)功能。语音合成包括在线语音合成和离线语音合成。在线语音合成由于支持的各项功能更加全面，因此，在线语音合成效果远远优于离线语音合成。
然而，考虑车载终端或移动终端的处理性能以及存储空间均有限，通常不会在本地存储需要占用较大存储空间的程序包、以及程序运行时对设备性能要求较高的程序包，来实现语音合成。因此，在车载终端或移动终端处于非联网状态或者只使用离线语音合成功能的情况下，相比于在线语音合成，利用现有的离线语音合成方案确定的声音都会比较机械化。
发明内容
本申请实施例公开一种语音输出方法、装置、设备和介质，以在支持语音交互的设备处于离线状态时，优化输出语音，提高输出语音的人性化，减少机械化语音对用户体验的影响。
第一方面，本申请实施例公开了一种语音输出方法，包括：
确定待处理的目标文本；
将所述目标文本在本地文本库中进行匹配，确定所述目标文本对应的预设文本；
根据所述预设文本，从本地语音库中确定所述目标文本的输出语音，以进行输出；
其中，所述本地语音库按照文本和语音的对应关系预先配置。
上述申请中的一个实施例具有如下优点或有益效果：在离线语音交互状态下，本申请实施例未直接启用离线语音合成方式，而是优先通过本地文本匹配在本地语音库中确定输出语音，该预设的本地语音库中是优质人声，因此，本申请实施例解决了离线状态下利用离线语音合成方式输出语音时语音机械化的问题，在支持语音交互的设备处于离线状态时，优化了输出语音。
可选的，将所述目标文本在本地文本库中进行匹配，确定所述目标文本对应的预设文本，包括：
如果将所述目标文本作为整体，在所述本地文本库中进行匹配，无法确定与所述目标文本匹配的文本，则对所述目标文本进行拆分，得到至少两个目标关键词；
分别将所述至少两个目标关键词在所述本地文本库中进行匹配，确定每个目标关键词对应的预设关键词；
相应的，根据所述预设文本，从本地语音库中确定所述目标文本的输出语音，包括：
根据各个预设关键词，从所述本地语音库中确定所述目标文本的输出语音。
上述申请中的一个实施例具有如下优点或有益效果：本申请实施例支持目标文本的整体匹配以及目标文本拆分后的关键词匹配，通过分词粒度细化，提高了通过本地文本匹配来确定目标文本的输出语音的成功率，确保了本地文本匹配对离线状态下的语音输出需求的满足，优化了离线状态下的输出语音。
可选的，所述根据各个预设关键词，从所述本地语音库中确定所述目标文本的输出语音，包括：
根据所述各个预设关键词，从所述本地语音库中确定每个目标关键词对应的语音片段；
按照每个目标关键词在所述目标文本中的顺序，将各个语音片段进行拼接，得到所述目标文本的输出语音。
上述申请中的一个实施例具有如下优点或有益效果：通过按照词语在文本中的出现顺序，拼接语音片段得到最终的输出语音，确保了输出语音的正确性。
可选的，所述根据各个预设关键词，从所述本地语音库中确定所述目标文本的输出语音，还包括：
针对所述至少两个目标关键词中，无法从所述本地文本库中匹配出预设关键词的特定关键词，利用离线语音合成方式，确定所述特定关键词对应的合成语音片段；
按照所述每个目标关键词在所述目标文本中的顺序，将所述合成语音片段，以及从所述本地语音库中确定的语音片段进行拼接，得到所述目标文本的输出语音。
上述申请中的一个实施例具有如下优点或有益效果：通过本地文本匹配与现有离线语音合成方式的结合，综合确定出目标文本的输出语音，优化了现有交互设备的离线语音，提高了输出语音的人性化。
可选的，所述方法应用于离线导航场景中；
所述本地语音库中包括导航用语。
上述申请中的一个实施例具有如下优点或有益效果：考虑行车导航过程中，车载终端处于离线状态的概率相对较高，通过本地文本匹配确定输出语音，优化了导航语音，避免了机械化导航语音影响用户的导航体验。
第二方面，本申请实施例还公开了一种语音输出装置，包括：
文本确定模块，用于确定待处理的目标文本；
文本匹配模块，用于将所述目标文本在本地文本库中进行匹配，确定所述目标文本对应的预设文本；
语音确定模块，用于根据所述预设文本，从本地语音库中确定所述目标文本的输出语音，以进行输出；
其中，所述本地语音库按照文本和语音的对应关系预先配置。
可选的，所述文本匹配模块包括：
文本拆分单元，用于如果将所述目标文本作为整体，在所述本地文本库中进行匹配，无法确定与所述目标文本匹配的文本，则对所述目标文本进行拆分，得到至少两个目标关键词；
关键词匹配单元，用于分别将所述至少两个目标关键词在所述本地文本库中进行匹配，确定每个目标关键词对应的预设关键词；
相应的，所述语音确定模块具体用于：
根据各个预设关键词，从所述本地语音库中确定所述目标文本的输出语音。
可选的，所述语音确定模块包括：
语音片段确定单元，用于根据所述各个预设关键词，从所述本地语音库中确定每个目标关键词对应的语音片段；
第一语音拼接单元，用于按照每个目标关键词在所述目标文本中的顺序，将各个语音片段进行拼接，得到所述目标文本的输出语音。
可选的，所述语音确定模块还包括：
语音离线合成单元，用于针对所述至少两个目标关键词中，无法从所述本地文本库中匹配出预设关键词的特定关键词，利用离线语音合成方式，确定所述特定关键词对应的合成语音片段；
第二语音拼接单元，用于按照所述每个目标关键词在所述目标文本中的顺序，将所述合成语音片段，以及从所述本地语音库中确定的语音片段进行拼接，得到所述目标文本的输出语音。
可选的，所述装置用于执行应用于离线导航场景中的语音输出方法；
所述本地语音库中包括导航用语。
根据本申请实施例的技术方案，通过在离线语音交互场景中，优先利用本地文本库进行文本匹配，确定预设文本，然后利用预设文本在本地语音库中确定输出语音，预设的本地语音库中是优质人声，并且本申请实施例方案未直接启用离线语音合成方式，因此，本申请实施例方案解决了离线状态下利用离线语音合成方式输出语音时语音机械化的问题，在支持语音交互的设备处于离线状态时，优化了输出语音，提高了输出语音的人性化，减少了机械化语音对用户体验的影响。上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例公开的一种语音输出方法的流程图；
图2是根据本申请实施例公开的另一种语音输出方法的流程图；
图3是根据本申请实施例公开的又一种语音输出方法的流程图；
图4是根据本申请实施例公开的一种语音输出装置的结构示意图；
图5是根据本申请实施例公开的一种电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例公开的一种语音输出方法的流程图，本实施例可以适用于在离线语音交互场景中，使得交互设备可以输出人声或接近人声效果的语音的情况。离线是指当前交互设备无法连接互联网。本实施例方法可以由语音输出装置来执行，该装置可以采用软件和/或硬件实现，并可集成在任意的具有计算能力、且支持语音交互功能的电子设备上，例如移动终端、智能音箱、车载终端等，车载终端包括车机终端。
如图1所示，本实施例公开的语音输出方法可以包括：
S101、确定待处理的目标文本。
目标文本是指交互设备基于用户需求，进行反馈的语音所对应的文本。例如，在利用车机终端导航过程中，车机终端当前待播报的导航语句所对应的文本即为目标文本。
S102、将目标文本在本地文本库中进行匹配，确定目标文本对应的预设文本。
在本实施例的离线语音交互场景中，当交互设备需要进行语音输出时，并不会直接启用交互设备上集成的任意离线语音合成方式来对目标文本进行语音合成处理，而是在未启用离线语音合成方式的状态下，首先利用本地文本库对目标文本进行本地匹配，确定出对应的预设文本，然后利用预设文本从本地语音库中确定输出语音。其中，文本匹配的方式包括将目标文本作为整体语句在本地文本库中进行匹配，或者将目标文本进行拆分后，以词语为粒度在本地文本库中进行匹配。本实施例中提及的离线语音合成方式是指现有的任意可用的离线语音合成算法或离线语音合成引擎。
本地文本库和本地语音库均是独立于已有离线语音合成方式的数据库。具体的，本地语音库按照文本和语音的对应关系预先配置，本地语音库中的语音是预先收集的人声，从而确保离线状态下输出的语音音质，减少机械化语音对用户体验的影响。本地语音库中语音对应的文本即组成本地文本库，本地文本库可以是本地语音库的一部分。此外，本地文本库和本地语音库可以按照键值对的关系进行存储，如将本地文本库中的预设文本作为键名，将本地语音库中的语音作为具体的值。
根据具体语音交互场景的不同，例如导航、问答交互等，本地文本库中的预设文本和本地语音库中的语音可以根据需求进行灵活设置，例如可以基于语音交互场景中的常用语，具体可以优选可重复使用的短句和/或词语，按照语句和/或词语的粒度来设置。
S103、根据预设文本，从本地语音库中确定目标文本的输出语音，以进行输出。
如果目标文本在本地文本库中匹配成功，即本地文本库中存在和目标文本相同的文本，则可以根据预设文本确定目标文本的输出语音，然后反馈给用户；如果目标文本在本地文本库中匹配不成功，则无匹配的本地语音输出，此时可以启用交互设备上集成的离线语音合成方式对目标文本进行语音合成，从而确保语音交互的正常实现。
示例性的，本实施例公开的语音输出方法可以应用于离线导航场景中；本地语音库中包括导航用语，交互设备可以是车机终端。在离线导航过程中，车机终端可以根据导航路径进行导航语音播报，例如输出导航语音“前方路况左转”、“前方直行100米”等。考虑行车导航过程中，车载终端处于离线状态的概率相对较高，通过本地文本匹配确定输出语音，优化了导航语音，避免了机械化导航语音影响用户的导航体验。
此外，本地语音库中存储的语音可以是任意的音频格式，并进行了一定的编码处理，当通过本地文本匹配得到目标文本的输出语音后，可以对输出语音进行解码处理，得到原始的音频流数据(Pulse Code Modulation，PCM流)，然后存储在交互设备的缓存中，以进行播放。
根据本实施例的技术方案，通过在离线语音交互场景中，优先利用本地文本库进行文本匹配，确定预设文本，然后利用预设文本在本地语音库中确定输出语音，预设的本地语音库中是优质人声，并且本实施例方案未直接启用离线语音合成方式，因此，本实施例方案解决了离线状态下利用离线语音合成方式输出语音时语音机械化的问题，在支持语音交互的设备处于离线状态时，优化了输出语音，提高了输出语音的人性化，减少了机械化语音对用户体验的影响。
图2是根据本申请实施例公开的另一种语音输出方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，该方法可以包括：
S201、确定待处理的目标文本。
S202、如果将目标文本作为整体，在本地文本库中进行匹配，无法确定与目标文本匹配的文本，则对目标文本进行拆分，得到至少两个目标关键词。
例如，待处理的目标文本是“前方路况左转”，如果在本地文本库中能够完整地匹配到“前方路况左转”，说明本地语音库中存在“前方路况左转”对应的完整语音，可以直接输出；如果在本地文本库中未完整匹配到“前方路况左转”，则对目标文本进行拆分，例如拆分得到目标关键词“前方”、“路况”、“左转”，然后将目标关键词在本地文本库中逐一匹配，分别确定出对应的预设关键词。其中，目标文本拆分的粒度与本地文本库中存储的关键词长度相对应。对目标文本拆分可以采用现有技术中任意可用的文本拆分方式实现，本实施例不作具体限定。
S203、分别将至少两个目标关键词在本地文本库中进行匹配，确定每个目标关键词对应的预设关键词。
S204、根据各个预设关键词，从本地语音库中确定目标文本的输出语音，以进行输出。
继续以上述示例为例，将“前方路况左转”进行拆分后，在本地文本库中匹配出预设关键词“前方”、“路况”、“左转”，根据这些预设关键词确定目标文本的输出语音。具体的，可以将根据预设关键词匹配出的只包含预设关键词的多个语音片段进行拼接，得到最终的输出语音；或者将匹配出的包含预设关键词以及其他词语的语音片段，按照预设关键词对语音片段进行语音剪切，去除其他词语对应的语音部分，然后将剪切处理后的语音片段进行拼接，得到最终的输出语音。
本申请实施例支持目标文本的整体匹配以及目标文本拆分后的关键词匹配，通过分词粒度细化，提高了通过本地文本匹配来确定目标文本的输出语音的成功率，确保了本地文本匹配对离线状态下的语音输出需求的满足，优化了离线状态下的输出语音。
示例性的，根据各个预设关键词，从本地语音库中确定目标文本的输出语音，包括：
根据各个预设关键词，从本地语音库中确定每个目标关键词对应的语音片段；
按照每个目标关键词在目标文本中的顺序，将各个语音片段进行拼接，得到目标文本的输出语音。
如果各个目标关键词能均可以在本地文本库中匹配出相同的预设关键词，则说明本地语音库中存在各个目标关键词对应的语音片段，可以按照词语在文本中的出现顺序，将语音片段进行拼接即得到输出语音。如果存在不能匹配到预设关键词的目标关键词，则可以根据预设规则确定是否直接启用交互设备上集成的离线语音合成方式对目标文本进行语音合成处理。预设规则可以根据对离线语音合成方式的启用而灵活设置。
例如，如果未匹配成功的目标关键词的数量小于数量阈值，则可以利用离线语音合成方式对未匹配成功的目标关键词进行语音合成，而匹配成功的目标关键词，仍利用本地语音库匹配出对应的语音片段，从而综合确定出目标文本的输出语音；如果未匹配成功的目标关键词的数量大于或等于数量阈值，则可以启用离线语音合成方式对目标文本整体进行语音合成处理。当然，本实施例也可以在确定存在未匹配成功的目标关键词时，便启用离线语音合成方式对目标文本整体进行语音合成处理。
根据本实施例的技术方案，通过在离线语音交互场景中，优先利用本地文本库进行文本匹配，如果不能整体匹配到预设文本，则对目标文本进行拆分，通过关键词匹配，最终确定输出语音，预设的本地语音库中是优质人声，并且本实施例方案未直接启用离线语音合成方式，因此，本实施例方案解决了离线状态下利用离线语音合成方式输出语音时语音机械化的问题，在支持语音交互的设备处于离线状态时，优化了输出语音，提高了输出语音的人性化，减少了机械化语音对用户体验的影响；同时，通过按照词语在文本中的出现顺序，拼接语音片段得到最终的输出语音，确保了输出语音的正确性。
图3是根据本申请实施例公开的又一种语音输出方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图3所示，该方法可以包括：
S301、确定待处理的目标文本。
S302、如果将目标文本作为整体，在本地文本库中进行匹配，无法确定与目标文本匹配的文本，则对目标文本进行拆分，得到至少两个目标关键词。
S303、分别将至少两个目标关键词在本地文本库中进行匹配，确定每个目标关键词对应的预设关键词。
S304、针对至少两个目标关键词中，从本地文本库中匹配出预设关键词的特定关键词，根据匹配的预设关键词，从本地语音库中确定该特定关键词对应的语音片段。
S305、针对至少两个目标关键词中，无法从本地文本库中匹配出预设关键词的特定关键词，利用离线语音合成方式，确定该特定关键词对应的合成语音片段。
本实施例中只启用离线语音合成方式对未匹配成功的目标关键词进行语音合成。此外，操作S304和操作S305之间没有严格的执行顺序限定，不应当将图3中所示的执行顺序理解为对本实施例的具体限定。
S306、按照每个目标关键词在目标文本中的顺序，将合成语音片段，以及从本地语音库中确定的语音片段进行拼接，得到目标文本的输出语音。
根据本实施例的技术方案，通过在离线语音交互场景中，对目标文本进行拆分，利用本地文本库和本地语音库匹配出部分目标关键词的语音片段，结合离线语音合成方式对另一部分目标关键词进行语音合成，从而综合确定出目标文本的输出语音，相比于纯机械化语音输出的情况，优化了现有交互设备的离线语音，解决了离线状态下利用离线语音合成方式输出语音时语音机械化、生硬的问题，提高了输出语音的人性化，减少了机械化语音对用户体验的影响；并且，通过本地文本匹配和现有离线语音合成方式综合确定目标文本的输出语音，输出语音中包括两种声音类别，即部分人性化语音和部分机械化语音的混合，还可以达到一定的语音强调的效果。例如将目标文本“前方直行100米”拆分后，目标关键词“100米”未在本地语音库中确定出语音片段，则利用离线语音合成得到其合成语音片段，从而交互设备输出语音后，可以达到强调距离“100米”的效果。
图4是根据本申请实施例公开的一种语音输出装置的结构示意图。本实施例可以适用于在离线语音交互场景中，使得交互设备可以输出人声或接近人声效果的语音的情况。本实施例装置可以采用软件和/或硬件实现，并可集成在任意的具有计算能力、且支持语音交互功能的电子设备上，例如移动终端、智能音箱、车载终端等，车载终端包括车机终端。
如图4所示，本实施例公开的语音输出装置400可以包括文本确定模块401、文本匹配模块402和语音确定模块403，其中：
文本确定模块401，用于确定待处理的目标文本；
文本匹配模块402，用于将目标文本在本地文本库中进行匹配，确定目标文本对应的预设文本；
语音确定模块403，用于根据预设文本，从本地语音库中确定目标文本的输出语音，以进行输出；
其中，本地语音库按照文本和语音的对应关系预先配置。
可选的，文本匹配模块402包括：
文本拆分单元，用于如果将目标文本作为整体，在本地文本库中进行匹配，无法确定与目标文本匹配的文本，则对目标文本进行拆分，得到至少两个目标关键词；
关键词匹配单元，用于分别将至少两个目标关键词在本地文本库中进行匹配，确定每个目标关键词对应的预设关键词；
相应的，语音确定模块403具体用于：
根据各个预设关键词，从本地语音库中确定目标文本的输出语音。
可选的，语音确定模块403包括：
语音片段确定单元，用于根据各个预设关键词，从本地语音库中确定每个目标关键词对应的语音片段；
第一语音拼接单元，用于按照每个目标关键词在目标文本中的顺序，将各个语音片段进行拼接，得到目标文本的输出语音。
可选的，语音确定模块403还包括：
语音离线合成单元，用于针对至少两个目标关键词中，无法从本地文本库中匹配出预设关键词的特定关键词，利用离线语音合成方式，确定特定关键词对应的合成语音片段；
第二语音拼接单元，用于按照每个目标关键词在目标文本中的顺序，将合成语音片段，以及从本地语音库中确定的语音片段进行拼接，得到目标文本的输出语音。
可选的，本实施例公开的语音输出装置用于执行应用于离线导航场景中的语音输出方法；本地语音库中包括导航用语。
本申请实施例所公开的语音输出装置400可执行本申请实施例所公开的任意一种语音输出方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例，本申请实施例还提供了一种电子设备和一种可读存储介质。
如图5所示，图5是用于实现本申请实施例中语音输出方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请实施例的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作，例如，作为服务器阵列、一组刀片式服务器、或者多处理器***。图5中以一个处理器501为例。
存储器502即为本申请实施例所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请实施例所提供的语音输出方法。本申请实施例的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请实施例所提供的语音输出方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中语音输出方法对应的程序指令/模块，例如，附图4所示的文本确定模块401、文本匹配模块402和语音确定模块403。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中的语音输出方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据语音输出方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至用于实现本实施例中语音输出方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于实现本实施例中语音输出方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与用于实现本实施例中语音输出方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置和触觉反馈装置等，其中，辅助照明装置例如发光二极管(Light Emitting Diode，LED)；触觉反馈装置例如，振动电机等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、LED显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用集成电路(Application Specific Integrated Circuit，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序，也称作程序、软件、软件应用、或者代码，包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置，例如，磁盘、光盘、存储器、可编程逻辑装置(Programmable Logic Device，PLD)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置，例如，阴极射线管(Cathode Ray Tube，CRT)或者LCD监视器；以及键盘和指向装置，例如，鼠标或者轨迹球，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈，例如，视觉反馈、听觉反馈、或者触觉反馈；并且可以用任何形式，包括声输入、语音输入或者、触觉输入，来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***，例如，作为数据服务器，或者实施在包括中间件部件的计算***，例如，应用服务器，或者实施在包括前端部件的计算***，例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互，或者实施在包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信，例如通信网络，来将***的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过在离线语音交互场景中，优先利用本地文本库进行文本匹配，确定预设文本，然后利用预设文本在本地语音库中确定输出语音，预设的本地语音库中是优质人声，并且本申请实施例方案未直接启用离线语音合成方式，因此，本申请实施例方案解决了离线状态下利用离线语音合成方式输出语音时语音机械化的问题，在支持语音交互的设备处于离线状态时，优化了输出语音，提高了输出语音的人性化，减少了机械化语音对用户体验的影响。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (10)
1.一种语音输出方法，其特征在于，包括：
确定待处理的目标文本；
如果将所述目标文本作为整体，在本地文本库中进行匹配，无法确定与所述目标文本匹配的文本，则对所述目标文本进行拆分，得到至少两个目标关键词；
分别将所述至少两个目标关键词在所述本地文本库中进行匹配，确定每个目标关键词对应的预设关键词；
根据各个预设关键词，从本地语音库中确定所述目标文本的输出语音，包括：
如果未匹配成功的所述目标关键词的数量小于数量阈值，则利用离线语音合成方式对未匹配成功的所述目标关键词进行语音合成；对于匹配成功的所述目标关键词，仍利用所述本地语音库匹配出对应的语音片段，从而综合确定出所述目标文本的输出语音，以进行输出；
其中，所述本地语音库按照文本和语音的对应关系预先配置。
2.根据权利要求1所述的方法，其特征在于，所述根据各个预设关键词，从所述本地语音库中确定所述目标文本的输出语音，还包括：
根据所述各个预设关键词，从所述本地语音库中确定每个目标关键词对应的语音片段；
按照每个目标关键词在所述目标文本中的顺序，将各个语音片段进行拼接，得到所述目标文本的输出语音。
3.根据权利要求2所述的方法，其特征在于，所述根据各个预设关键词，从所述本地语音库中确定所述目标文本的输出语音，还包括：
针对所述至少两个目标关键词中，无法从所述本地文本库中匹配出预设关键词的特定关键词，利用离线语音合成方式，确定所述特定关键词对应的合成语音片段；
按照所述每个目标关键词在所述目标文本中的顺序，将所述合成语音片段，以及从所述本地语音库中确定的语音片段进行拼接，得到所述目标文本的输出语音。
4.根据权利要求1所述的方法，其特征在于，所述方法应用于离线导航场景中；
所述本地语音库中包括导航用语。
5.一种语音输出装置，其特征在于，包括：
文本确定模块，用于确定待处理的目标文本；
文本匹配模块，包括：
文本拆分单元，用于如果将所述目标文本作为整体，在本地文本库中进行匹配，无法确定与所述目标文本匹配的文本，则对所述目标文本进行拆分，得到至少两个目标关键词；
关键词匹配单元，用于分别将所述至少两个目标关键词在所述本地文本库中进行匹配，确定每个目标关键词对应的预设关键词；
相应的，语音确定模块，具体用于：根据各个预设关键词，从本地语音库中确定所述目标文本的输出语音，包括：如果未匹配成功的所述目标关键词的数量小于数量阈值，则利用离线语音合成方式对未匹配成功的所述目标关键词进行语音合成；对于匹配成功的所述目标关键词，仍利用所述本地语音库匹配出对应的语音片段，从而综合确定出所述目标文本的输出语音，以进行输出；
其中，所述本地语音库按照文本和语音的对应关系预先配置。
6.根据权利要求5所述的装置，其特征在于，所述语音确定模块还包括：
语音片段确定单元，用于根据所述各个预设关键词，从所述本地语音库中确定每个目标关键词对应的语音片段；
第一语音拼接单元，用于按照每个目标关键词在所述目标文本中的顺序，将各个语音片段进行拼接，得到所述目标文本的输出语音。
7.根据权利要求6所述的装置，其特征在于，所述语音确定模块还包括：
语音离线合成单元，用于针对所述至少两个目标关键词中，无法从所述本地文本库中匹配出预设关键词的特定关键词，利用离线语音合成方式，确定所述特定关键词对应的合成语音片段；
第二语音拼接单元，用于按照所述每个目标关键词在所述目标文本中的顺序，将所述合成语音片段，以及从所述本地语音库中确定的语音片段进行拼接，得到所述目标文本的输出语音。
8.根据权利要求5所述的装置，其特征在于，所述装置用于执行应用于离线导航场景中的语音输出方法；
所述本地语音库中包括导航用语。
9. 一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的语音输出方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的语音输出方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010187465.8A CN111354334B (zh) | 2020-03-17 | 2020-03-17 | 语音输出方法、装置、设备和介质 |
| US17/034,080 US20210295818A1 (en) | 2020-03-17 | 2020-09-28 | Speech output method, device and medium |
| EP20215122.1A EP3882909B1 (en) | 2020-03-17 | 2020-12-17 | Speech output method and apparatus, device and medium |
| JP2021043383A JP7391063B2 (ja) | 2020-03-17 | 2021-03-17 | 音声出力方法、音声出力装置、電子機器及び記憶媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010187465.8A CN111354334B (zh) | 2020-03-17 | 2020-03-17 | 语音输出方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111354334A CN111354334A (zh) | 2020-06-30 |
| CN111354334B true CN111354334B (zh) | 2023-09-15 |
Family
ID=71196237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010187465.8A Active CN111354334B (zh) | 2020-03-17 | 2020-03-17 | 语音输出方法、装置、设备和介质 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20210295818A1 (zh) |
| EP (1) | EP3882909B1 (zh) |
| JP (1) | JP7391063B2 (zh) |
| CN (1) | CN111354334B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112817463A (zh) * | 2021-01-20 | 2021-05-18 | 北京百度网讯科技有限公司 | 输入法获取音频数据的方法、设备和存储介质 |
| CN113436605A (zh) * | 2021-06-22 | 2021-09-24 | 广州小鹏汽车科技有限公司 | 车载语音合成数据的处理方法、车载电子设备及车辆 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779508A (zh) * | 2012-03-31 | 2012-11-14 | 安徽科大讯飞信息科技股份有限公司 | 语音库生成设备及其方法、语音合成***及其方法 |
| CN103456297A (zh) * | 2012-05-29 | 2013-12-18 | ***通信集团公司 | 一种语音识别匹配的方法和设备 |
| CN106777206A (zh) * | 2016-12-23 | 2017-05-31 | 北京奇虎科技有限公司 | 影视剧类关键词搜索展现方法及装置 |
| CN109326279A (zh) * | 2018-11-23 | 2019-02-12 | 北京羽扇智信息科技有限公司 | 一种文本转语音的方法、装置、电子设备和存储介质 |
| CN109448694A (zh) * | 2018-12-27 | 2019-03-08 | 苏州思必驰信息科技有限公司 | 一种快速合成tts语音的方法及装置 |
| CN109697244A (zh) * | 2018-11-01 | 2019-04-30 | 百度在线网络技术（北京）有限公司 | 信息处理方法、装置及存储介质 |
| CN110276071A (zh) * | 2019-05-24 | 2019-09-24 | 众安在线财产保险股份有限公司 | 一种文本匹配方法、装置、计算机设备及存储介质 |
| CN110600003A (zh) * | 2019-10-18 | 2019-12-20 | 北京云迹科技有限公司 | 机器人的语音输出方法、装置、机器人和存储介质 |
| CN110688455A (zh) * | 2019-09-09 | 2020-01-14 | 深圳壹账通智能科技有限公司 | 基于人工智能过滤无效评论的方法、介质及计算机设备 |
| CN110782869A (zh) * | 2019-10-30 | 2020-02-11 | 标贝（北京）科技有限公司 | 语音合成方法、装置、***和存储介质 |
| CN110880324A (zh) * | 2019-10-31 | 2020-03-13 | 北京大米科技有限公司 | 语音数据的处理方法、装置、存储介质及电子设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050131931A1 (en) * | 2003-12-11 | 2005-06-16 | Sanyo Electric Co., Ltd. | Abstract generation method and program product |
| WO2009125710A1 (ja) | 2008-04-08 | 2009-10-15 | 株式会社エヌ・ティ・ティ・ドコモ | メディア処理サーバ装置およびメディア処理方法 |
| US8949128B2 (en) * | 2010-02-12 | 2015-02-03 | Nuance Communications, Inc. | Method and apparatus for providing speech output for speech-enabled applications |
| FR2993088B1 (fr) * | 2012-07-06 | 2014-07-18 | Continental Automotive France | Procede et systeme de synthese vocale |
| CN104992704B (zh) | 2015-07-15 | 2017-06-20 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| CN109712605B (zh) * | 2018-12-29 | 2021-02-19 | 深圳市同行者科技有限公司 | 一种应用于车联网的语音播报的方法及装置 |
-
2020
- 2020-03-17 CN CN202010187465.8A patent/CN111354334B/zh active Active
- 2020-09-28 US US17/034,080 patent/US20210295818A1/en not_active Abandoned
- 2020-12-17 EP EP20215122.1A patent/EP3882909B1/en active Active
-
2021
- 2021-03-17 JP JP2021043383A patent/JP7391063B2/ja active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779508A (zh) * | 2012-03-31 | 2012-11-14 | 安徽科大讯飞信息科技股份有限公司 | 语音库生成设备及其方法、语音合成***及其方法 |
| CN103456297A (zh) * | 2012-05-29 | 2013-12-18 | ***通信集团公司 | 一种语音识别匹配的方法和设备 |
| CN106777206A (zh) * | 2016-12-23 | 2017-05-31 | 北京奇虎科技有限公司 | 影视剧类关键词搜索展现方法及装置 |
| CN109697244A (zh) * | 2018-11-01 | 2019-04-30 | 百度在线网络技术（北京）有限公司 | 信息处理方法、装置及存储介质 |
| CN109326279A (zh) * | 2018-11-23 | 2019-02-12 | 北京羽扇智信息科技有限公司 | 一种文本转语音的方法、装置、电子设备和存储介质 |
| CN109448694A (zh) * | 2018-12-27 | 2019-03-08 | 苏州思必驰信息科技有限公司 | 一种快速合成tts语音的方法及装置 |
| CN110276071A (zh) * | 2019-05-24 | 2019-09-24 | 众安在线财产保险股份有限公司 | 一种文本匹配方法、装置、计算机设备及存储介质 |
| CN110688455A (zh) * | 2019-09-09 | 2020-01-14 | 深圳壹账通智能科技有限公司 | 基于人工智能过滤无效评论的方法、介质及计算机设备 |
| CN110600003A (zh) * | 2019-10-18 | 2019-12-20 | 北京云迹科技有限公司 | 机器人的语音输出方法、装置、机器人和存储介质 |
| CN110782869A (zh) * | 2019-10-30 | 2020-02-11 | 标贝（北京）科技有限公司 | 语音合成方法、装置、***和存储介质 |
| CN110880324A (zh) * | 2019-10-31 | 2020-03-13 | 北京大米科技有限公司 | 语音数据的处理方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于语音交互及人脸识别的服务机器人研究与实现;邹嘉程;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3882909A1 (en) | 2021-09-22 |
| US20210295818A1 (en) | 2021-09-23 |
| JP2021099875A (ja) | 2021-07-01 |
| CN111354334A (zh) | 2020-06-30 |
| EP3882909B1 (en) | 2024-02-21 |
| JP7391063B2 (ja) | 2023-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365880B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| US11178454B2 (en) | Video playing method and device, electronic device, and readable storage medium | |
| CN112233210B (zh) | 生成虚拟人物视频的方法、装置、设备和计算机存储介质 | |
| CN111681640B (zh) | 播报文本的确定方法、装置、设备和介质 | |
| CN112102448B (zh) | 虚拟对象图像显示方法、装置、电子设备和存储介质 | |
| US20210209164A1 (en) | Method, apparatus, and storage medium for recommending interactive information | |
| CN111770375B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| CN111354334B (zh) | 语音输出方法、装置、设备和介质 | |
| CN111241234B (zh) | 文本分类方法及装置 | |
| EP3832492A1 (en) | Method and apparatus for recommending voice packet, electronic device, and storage medium | |
| EP3799036A1 (en) | Speech control method, speech control device, electronic device, and readable storage medium | |
| CN111597808A (zh) | 仪表盘绘制处理方法、装置、电子设备和存储介质 | |
| CN111177339A (zh) | 对话生成方法、装置、电子设备及存储介质 | |
| CN110706701A (zh) | 语音技能推荐方法、装置、设备及存储介质 | |
| CN111309888B (zh) | 人机对话方法、装置、电子设备及存储介质 | |
| CN111578965B (zh) | 导航播报信息处理方法、装置、电子设备和存储介质 | |
| CN112466295A (zh) | 语言模型训练方法、应用方法、装置、设备及存储介质 | |
| US20210098012A1 (en) | Voice Skill Recommendation Method, Apparatus, Device and Storage Medium | |
| CN112527235A (zh) | 语音播放方法、装置、设备以及存储介质 | |
| CN111160002A (zh) | 用于输出口语理解中解析异常信息的方法和装置 | |
| JP2022020061A (ja) | 中国語と英語の混在音声の認識方法、装置、電子機器及び記憶媒体 | |
| CN112579032B (zh) | 智能设备引导的方法及装置 | |
| CN110727795B (zh) | 新闻播报的方法及装置 | |
| KR20210044747A (ko) | 태그 마이닝 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
| CN110931014A (zh) | 基于正则匹配规则的语音识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211018 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Address before: 2 / F, *** building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |