CN111477210A - 语音合成方法和装置 - Google Patents
语音合成方法和装置 Download PDFInfo
- Publication number
- CN111477210A CN111477210A CN202010253084.5A CN202010253084A CN111477210A CN 111477210 A CN111477210 A CN 111477210A CN 202010253084 A CN202010253084 A CN 202010253084A CN 111477210 A CN111477210 A CN 111477210A
- Authority
- CN
- China
- Prior art keywords
- features
- data
- target user
- text
- speech
- 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.)
- Pending
Links
- 238000001308 synthesis method Methods 0.000 title abstract description 23
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 78
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001755 vocal effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241001672694 Citrus reticulata Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
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
- 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
- G10L13/02—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
- G10L13/08—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)
- Machine Translation (AREA)
Abstract
本公开的实施例公开了语音合成方法和装置。该方法的一具体实施方式包括：获取文本；确定文本的语音学特征；将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，其中，语音合成模型基于目标用户的歌唱数据训练得到。该实施方式实现了基于用户的歌唱数据模拟该用户的说话数据的效果。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及语音合成方法和装置。
背景技术
语音合成，又称文语转换(Text to Speech)技术，是通过机械的、电子的方法产生人造语音的技术。语音合成可以将任意的文字信息转化成标准流畅的语音信息。语音合成涉及声学、语言学、数字信号处理、计算机科学等多个学科技术，是目前中文信息处理领域的一个重要研究方向。
但是，现有的各种语音合成方法生成的语音通常都只能提供若干种不同的音色。而对于合成指定人的音色的语音是目前有待进一步深入研究的方向之一。
发明内容
本公开的实施例提出了语音合成方法和装置。
第一方面，本公开的实施例提供了一种语音合成方法，该方法包括：获取文本；确定文本的语音学特征；将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，其中，语音合成模型基于目标用户的歌唱数据训练得到。
第二方面，本公开的实施例提供了一种语音合成装置，该装置包括：获取单元，被配置成获取文本；确定单元，被配置成确定文本的语音学特征；合成单元，被配置成将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，其中，语音合成模型基于目标用户的歌唱数据训练得到。
第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得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，本公开的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，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。
本公开的实施例提供的语音合成方法和装置，通过基于目标用户的歌唱数据预先训练好的目标用户对应的语音合成模型对任意文本的语音学特征进行处理，可以合成仿似目标用户念出任意文本的说话数据，也可以合成仿似目标用户唱出任意文本的歌唱数据。由此，实现了对于一些较难采集到大量说话数据的用户，可以利用根据该用户的歌唱数据便捷地生成仿似该用户念出任意文本的说话数据。
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，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性***架构图；
图2是根据本公开的语音合成方法的一个实施例的流程图；
图3是根据本公开的语音合成方法的又一个实施例的流程图；
图4是根据本公开的实施例的语音合成方法的一个应用场景的示意图；
图5是根据本公开的语音合成装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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，本公开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公开。
图1示出了可以应用本公开的语音合成方法或语音合成装置的实施例的示例性架构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。
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上可以安装有各种客户端应用。例如浏览器类应用、搜索类应用、语音处理类应用、社交平台软件、信息流应用等等。
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、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的多个软件或软件模块)，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，例如为终端设备101、102、103发送的文本进行处理，以得到该文本对应的语音数据的服务器。进一步地，服务器可以将合成的语音数据反馈至终端设备101、102、103。
需要说明的是，上述文本也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的文本并进行处理，此时，可以不存在终端设备101、102、103和网络104。
需要说明的是，本公开的实施例所提供的语音合成方法一般由服务器105执行，相应地，语音合成装置一般设置于服务器105中。
还需要指出的是，终端设备101、102、103中也可以具备语音处理等功能(如安装有语音合成工具或应用等)。此时，终端设备101、102、103也可以对文本进行语音合成，生成文本对应的语音数据。此时，语音合成方法也可以由终端设备101、102、103执行，相应地，语音合成装置也可以设置于终端设备101、102、103中。此时，示例性***架构100可以不存在服务器105和网络104。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
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，其示出了根据本公开的语音合成方法的一个实施例的流程200。该语音合成方法包括以下步骤：
步骤201，获取文本。
在本实施例中，语音合成方法的执行主体(如图1所示的服务器105)可以从本地、其它存储设备(如图1所示的终端设备101、102、103等)或所连接的数据库等获取文本。其中，文本可以是各种各样的文本。例如，文本可以是一段歌词或台词等。又例如，歌词可以一段祝福语等。
步骤202，确定文本的语音学特征。
在本实施例中，语音学特征可以指文本对应的语音的发音方面的特征。换言之，语音学特征可以表征文本对应的语音中的各个音的发音机制和发音特性等。例如，语音学特征可以包括用于表征声调变化的语调特征、用于表征发音体振动时间的音长特征、用于表征发音体振动幅度的音强特征等等。
可选地，语音学特征可以包括以下至少一项：音素特征、声调特征、音高特征。
其中，音素是根据语音的自然属性划分出来的、构成音节的最小语音单位。音素可以根据音节里的发音动作来分析，一个动作构成一个音素。举例来说，音节“a”有一个音素。音节“ai”有两个音素。音素特征可以用于表征文本对应的语音的音素组成。
其中，声调可以指声音的高低升降的变化。作为示例，对于普通话来说，声调可以包括阴平、阳平、上声、去声四个声调。声调特征可以用于表征文本对应的语音中的各个字的字调。
其中，音高可以指音的高度，是音的基本特征之一。举例来说，音高可以基于“Do、Re、Mi、Fa、So、La、Si”来表示。音高特征可以用于表征文本对应的语音中的各个音的音高。
可选地，音高特征可以使用文本对应的语音对应的MIDI文件表示。其中，MIDI(Musical Instrument Digital Interface，乐器数字接口)是由电子乐器制造商们建立起来的一种协议，或者说一种技术。MIDI文件可以对乐曲信息用字节进行描述。例如，一首乐曲对应的MIDI文件中可以记录有该乐曲中的每个音的音高信息。
可选地，语音学特征还可以包括韵律特征。其中，韵律特征可以用于表征文本对应的语音中的各个音素分别在其所在的词语和/或句子的位置。其中，位置可以包括内部或边界。作为示例，对于“可爱的人民”来说，“爱”对应的一个音素“i”就在其所在的词语“可爱”的边界，且在其所在的句子“可爱的人民”的内部。
需要说明的是，上述所举例的各种语音学特征仅仅为示例，技术人员可以根据实际的应用需求和应用场景灵活采用各种语音学特征。同时，上述针对每种语音学特征的举例也仅仅为示例，每种语音学特征也可以根据实际的应用需求和应用场景选择不同的表示方式。
在本实施例中，可以利用现有的各种语音处理方法得到文本的语音学特征。例如，语音学特征包括音素特征时，可以利用现有的各种音素表示方法确定文本中的各个字分别对应的音素表征，从而根据得到的文本对应的音素表征确定文本的音素特征。
步骤203，将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据。
在本实施例中，语音合成模型可以用于根据文本的语音学特征，生成文本对应的语音数据。目标用户对应的语音合成模型可以用于根据文本的语音学特征，生成目标用户针对文本的语音数据，即目标用户读或唱该文本的语音数据。其中，目标用户可以是预先指定的任意用户。其中，语音数据可以用于表征语音。语音包括歌唱对应的语音、说话对应的语音等等。
在本实施例中，目标用户对应的语音合成模型可以基于目标用户的歌唱数据训练得到。其中，目标用户的歌唱数据可以为目标用户通过演唱歌曲得到的语音数据。
可选地，歌唱数据可以为清唱数据。此时，在获取到目标用户演唱过的歌曲时，可以通过现有的各种声伴分离技术(即用于分离人声和伴奏的技术)得到歌曲对应的清唱数据。
可选地，语音合成模型可以通过如下步骤训练得到：获取训练样本集，其中，训练样本集中的每个训练样本包括目标用户的歌唱数据和该歌唱数据的语音学特征；获取初始语音合成模型，其中，初始语音合成模型可以是现有的各种开源地语音合成模型，也可以是技术人员根据实际的应用需求构建的初始语音合成模型(如利用Keras、Caffe等框架构建的初始语音合成模型)；利用上述训练样本集训练初始语音合成模型。具体地，可以将上述训练样本集中的训练样本中的语音学特征作为初始语音合成模型的输入，以及将与输入的语音学特征对应的语音数据作为初始语音合成模型的期望输出，利用机器学习的方法，训练初始语音合成模型，以及将训练完成的初始语音合成模型确定为语音合成模型。
在本实施例的一些可选地实现方式中，语音合成模型可以包括声学特征预测模型和声码器。其中，声学特征预测模型可以用于预测输入的语音学特征对应的声学特征。声码器可以用于生成输入的声学特征对应的语音数据。其中，声学特征预测模型的输出可以作为声码器的输入。
其中，声学特征可以指语音信号方面的特征。换言之，声学特征可以表征文本对应的语音的语音信号的特性等。技术人员可以根据实际的应需求和应用场景灵活选择声学特征的表示方式。
可选地，声学特征可以包括如下至少一项：MFCC(Mel Frequency CepstrumCoefficient，Mel频率倒谱系数)、LPCC(Linear Prediction Cepstral Coefficent，线性预测系数)、PLP(Perceptual Linear Predictive，感性预测系数)。
此时，在确定文本的语音学特征之后，可以将文本的语音学特征输入至声学特征预测模型，得到输入的语音学特征对应的声学特征，然后可以将得到的声学特征输入至声码器，得到输入的声学特征对应的语音数据。
其中，声学特征预测模型的训练数据可以包括目标用户的歌唱数据的语音学特征和声学特征，声码器的训练数据可以包括目标用户的歌唱数据和对应的声学特征。
作为示例，声学特征预测模型可以通过如下步骤训练得到：获取第一样本集，其中，第一样本集中的每个样本可以包括语音数据的语音学特征和声学特征，语音数据可以包括目标用户的歌唱数据；利用第一样本集训练第一初始模型，以及确定训练完成的第一初始模型作为声学特征预测模型。
其中，第一样本集中的每个样本对应的语音数据的粒度可以根据实际的应用需求灵活设置。例如，每个样本对应的语音数据的粒度可以是一个句子对应的语音数据。又例如，每个样本对应的语音数据的粒度可以是一个段落对应的语音数据。
举例来说，目标用户可以是歌手。此时，目标用户的歌唱数据可根据目标用户演唱过的歌曲得到。以每个样本对应的语音数据的粒度是一个句子作为示例，目标用户演唱过的歌曲中的每个句子对应的语音数据都可以对应一个样本。
在本实施例中，对于一语音数据来说，可以利用现有的各种语音处理方法得到该语音数据的声学特征和语音学特征。
例如，可以通过如下步骤得到一语音数据的语音学特征：获取该语音数据对应的文本，基于语音数据对应的文本得到该语音数据的语音学特征。当语音数据为歌唱数据时，语音数据对应的文本可以为歌唱数据指示的歌曲的歌词。其中，可以利用现有的各种文本处理和语音处理技术得到文本对应的语音数据的语音学特征。
需要说明的是，上述根据语音数据或其对应的文本提取该语音数据的语音学特征和声学特征是目前广泛研究和应用的技术，在此不再赘述。
第一初始模型可以是各种类型的未经训练的或训练完成的人工神经网络。例如，第一初始模型可以是各种卷积神经网络等。第一初始模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。举例来说，第一初始模型可以由现有的一些用于提取声学特征的模型组合得到。
在利用第一样本集训练第一初始模型时，可以采用现有的各种机器学习中的模型训练方法完成对第一初始模型的训练。
举例来说，利用第一样本集训练得到声学特征预测模型的训练步骤具体可以包括：
步骤一，从第一样本集中选取样本。
在本步骤中，从第一样本集中选取样本的方法可以根据应用需求的不同而不同。例如，可以从第一样本集中随机选取预设数目个样本，也可以按照指定顺序选取预设数目个样本。其中，预设数目可以由技术人员预设设置。
步骤二，将选取的样本中的语音学特征输入至第一初始模型，得到对应的预测声学特征。
在本步骤中，应当可以理解，若选取的样本的数目为两个以上，可以将选取的各个样本中的语音学特征分别输入至第一初始模型，分别得到各个输入的语音学特征对应的预测声学特征。
步骤三，根据得到的预测声学特征与选取的样本中的声学特征，确定损失函数的值。
在本步骤中，可以根据得到的预测声学特征与选取的样本中的声学特征的比较结果，确定损失函数的值。其中，损失函数可以由技术人员预先设定。
步骤四，响应于根据损失函数的值确定第一初始模型训练完成，确定训练完成的第一初始模型作为声学特征预测模型。
在本步骤中，可以根据损失函数的值确定第一初始模型是否训练完成。其中，确定第一初始模型是否训练完成的方式可以由技术人员根据实际的应用场景灵活设置。例如，可以通过判断损失函数的值与预设的损失阈值的大小关系，确定第一初始模型是否训练完成。
步骤五，响应于根据损失函数的值确定第一初始模型未训练完成，调整第一初始模型的参数，以及从第一样本集中重新选取样本，使用调整后的第一初始模型作为第一初始模型，继续执行上述训练步骤。
在本步骤中，可以基于如梯度下降和反向传播等算法，根据损失函数的值调整第一初始模型的各网络层的参数。
作为示例，声码器可以通过如下步骤训练得到：获取第二样本集，其中，第二样本集中的每个样本可以包括目标用户的歌唱数据和对应的声学特征；利用第二样本集训练第二初始模型，以及确定训练完成的第二初始模型作为声码器。
其中，第二样本集中的每个样本对应的歌唱数据的粒度可以根据实际的应用需求灵活设置。例如，每个样本对应的歌唱数据的粒度可以是一个句子对应的歌唱数据。又例如，每个样本对应的歌唱数据的粒度可以是一个段落对应的歌唱数据。
第二初始模型可以是各种类型的未经训练的或训练完成的人工神经网络。例如，第二初始模型可以是各种深度学习网络等。第二初始模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。举例来说，第二初始模型可以由现有的各种声码器组合得到。
在利用第二样本集训练第二初始模型时，可以采用现有的各种机器学习中的模型训练方法完成对第二初始模型的训练。
举例来说，利用第二样本集训练得到声码器的训练步骤具体可以包括：
步骤一，从第二样本集中选取样本。
在本步骤中，从第二样本集中选取样本的方法可以根据应用需求的不同而不同。例如，可以从第二样本集中随机选取预设数目个样本，也可以按照指定顺序选取预设数目个样本。其中，预设数目可以由技术人员预设设置。
步骤二，将选取的样本中的声学特征输入至第二初始模型，得到对应的输出语音数据。
在本步骤中，应当可以理解，若选取的样本的数目为两个以上，可以将选取的各个样本中的声学特征分别输入至第二初始模型，分别得到各个输入的声学特征对应的输出语音数据。
步骤三，根据得到的输出语音数据与选取的样本中的语音数据，确定损失函数的值。
在本步骤中，可以根据得到的输出语音数据与选取的样本中的语音数据的比较结果，确定损失函数的值。其中，损失函数可以由技术人员预先设定。
步骤四，响应于根据损失函数的值确定第二初始模型训练完成，确定训练完成的第二初始模型作为声码器。
在本步骤中，可以根据损失函数的值确定第二初始模型是否训练完成。其中，确定第二初始模型是否训练完成的方式可以由技术人员根据实际的应用场景灵活设置。例如，可以通过判断损失函数的值与预设的损失阈值的大小关系，确定第二初始模型是否训练完成。
步骤五，响应于根据损失函数的值确定第二初始模型未训练完成，调整第二初始模型的参数，以及从第二样本集中重新选取样本，使用调整后的第二初始模型作为第二初始模型，继续执行上述训练步骤。
在本步骤中，可以基于如梯度下降和反向传播等算法，根据损失函数的值调整第二初始模型的各网络层的参数。
需要说明的是，第一样本集中的各个样本对应的语音数据与第二样本集中的各个样本对应的语音数据可以具有交集，也可以不存在交集。另外，第一样本集和第二样本集可以按照同样的方式获取，也可以按照不同的方式获取。
需要说明的是，上述声学特征预测模型和声码器的训练过程的执行主体可以相同，也可以不同。另外，上述声学特征预测模型和声码器的训练过程的执行主体可可以与语音合成方法的执行主体相同，也可以不同。
由于声码器是使用目标用户的语音数据(包括歌唱数据)和对应的声学特征训练得到的。因此，可以利用训练得到的声码器得到仿似该目标用户本人的语音数据(如歌唱数据)，即无需目标用户亲自演唱，就可以生成仿似目标用户演唱的效果。
在本实施例的一些可选地实现方式中，第一样本集中的样本对应的语音数据还可以包括样本用户集中的用户的歌唱数据。其中，样本用户集可以由预先指定的一些用户组成。样本用户集可以不包括上述目标用户。样本用户集中的每个用户的歌唱数据也可以为该用户通过演唱歌曲得到的语音数据。
通过在第一样本集中添加除目标用户之外的其它用户的歌唱数据或说话数据，可以在训练声学特征预测模型时，也同时参考其他用户的歌唱数据对应的声学特征(如MFCC)的分布情况，从而可以更准确地预测目标用户的歌唱数据的声学特征，提升声学特征预测模型的输出结果的准确度和稳定性。
应当理解的是，本公开中的任何语音数据都应当是在具有该语音数据的使用版权的前提下对该语音数据进行处理的。
本公开的上述实施例提供的语音合成方法利用目标用户的歌唱数据预先训练用于根据语音学特征合成目标用户的语音数据的语音合成模型，由此对于任意文本，可以根据该文本的语音学特征，利用目标用户对应的语音合成模型合成仿似目标用户的语音数据(如歌唱数据)。基于此，无需该目标用户亲自录制，就可以便捷地得到仿似该目标用户的语音数据。
进一步参考图3，其示出了语音合成方法的又一个实施例的流程300。该语音合成方法的流程300，包括以下步骤：
步骤301，获取文本。
步骤302，确定文本的语音学特征。
上述步骤301和302的具体的执行过程可参考图2对应实施例中的步骤201和202的相关说明，在此不再赘述。
步骤303，将语音学特征输入至预先训练的、目标用户对应的语音合成模型包括的声学特征预测模型，得到输入的语音学特征对应的声学特征。
在本实施例中，声学特征预测模型的训练数据可以包括目标用户的歌唱数据的语音学特征和声学特征，还可以包括样本用户集中的用户的说话数据。
其中，样本用户集可以由预先指定的一些用户组成。样本用户集可以不包括目标用户。样本用户集中的每个用户的说话数据可以为该用户说话时产生的语音数据。
在训练目标用户对应的声学特征预测模型时，在利用目标用户的歌唱数据的语音学特征和声学特征进行训练的同时，利用除目标用户之外的其它用户的说话数据的语音学特征和声学特征，可以在训练目标用户对应的声学特征预测模型的过程中，同时参考其他用户的说话数据对应的声学特征(如MFCC)的特征分布情况，从而指导生成目标用户的说话数据的声学特征。由此，不仅可以利用训练好的语音合成模型生成目标用户的歌唱数据，还可以生成目标用户的说话数据。
可选地，声学特征预测模型的训练数据在包括目标用户的歌唱数据的语音学特征和声学特征，以及样本用户集中的用户的说话数据的同时，还可以包括样本用户集中的用户的歌唱数据。
由此，可以利用训练好的语音合成模型生成目标用户的歌唱数据或说话数据的同时，可以同时保证语音合成模型生成的歌唱数据或说话数据的正确性和稳定性。
可选地，在表示歌唱数据和说话数据分别对应的语音学特征时，可以采用同样的语音学特征表示方式，但是可以使用不同的表示符号进行区分，可以进一步便于声学特征预测模型的训练。
本步骤303中的除样本用户集中的用户的说话数据之外的其它内容的具体的执行过程可参考图2对应实施例中的步骤203的相关说明，在此不再赘述。
步骤304，将得到的声学特征输入至预先训练的、目标用户对应的语音合成模型包括的声码器，得到目标用户针对文本的语音数据。
本步骤304的具体的执行过程可参考图2对应实施例中的步骤203的相关说明，在此不再赘述。
继续参见图4，图4是根据本实施例的语音合成方法的应用场景的一个示意图400。在图4的应用场景中，可以预先利用从歌手“X”的大量歌曲的清唱数据所确定的语音学特征和声学特征，以及其他一些人的说话数据的语音学特征和声学特征预先训练得到歌手“X”对应的声学特征预测模型402，同时，可以利用歌手“X”的大量歌曲的清唱数据和清唱数据对应的声学特征训练得到歌手“X”对应的声码器403。
获取期望歌手“X”念出的文本401。如图中标号401所示，文本401的内容可以为一段节日祝福语“祝大家节日快乐”。之后，可以确定文本401的音素特征、声调特征和音高特征作为文本401的语音学特征。然后，可以将确定的文本401的语音学特征输入至预先训练的声学特征预测模型402，得到文本401的MFCC。接着，可以将得到的文本401的MFCC输入至预先训练的声码器403，得到歌手“X”读文本401的说话数据。
本公开的上述实施例提供的语音合成方法利用目标用户的歌唱数据和除目标用户之外的其它一些用户的说话数据和/或歌唱数据同时训练目标用户对应的声学特征预测模型，以及利用目标用户的歌唱数据训练声码器，从而可以在训练目标用户对应的声学特征预测模型时，利用其它用户的说话数据对应的声学特征的特征分布指导目标用户的说话数据对应的声学特征的分布，从而利用训练完成的声学特征预测模型和声码器所组成的语音合成模型，不仅可以得到仿似目标用户的歌唱数据，还可以得到仿似目标用户的说话数据。而且这种方式无需目标用户的大量的语音数据作为训练数据，即无需较大的成本消耗，就可以得到仿似目标用户的说话数据。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了语音合成装置的一个实施例，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5所示，本实施例提供的语音合成装置500包括获取单元501、确定单元502和合成单元503。其中，获取单元501被配置成获取文本；确定单元502被配置成确定文本的语音学特征；合成单元503被配置成将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，其中，语音合成模型基于目标用户的歌唱数据训练得到。
在本实施例中，语音合成装置500中：获取单元501、确定单元502和合成单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
本公开的上述实施例提供的装置，通过获取单元获取文本；确定单元确定文本的语音学特征；合成单元将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，其中，语音合成模型基于目标用户的歌唱数据训练得到。由此，可以利用基于目标用户的歌唱数据预先训练的语音合成模型合成仿似目标用户念出任意文本的说话数据，也可以合成仿似目标用户唱出任意文本的歌唱数据。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)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公开的实施例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，图示了按照本公开各种实施例的***、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。
根据本公开的一个或多个实施例，本公开提供了一种语音合成方法，该方法包括：获取文本；确定文本的语音学特征；将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，其中，语音合成模型基于目标用户的歌唱数据训练得到。
根据本公开的一个或多个实施例，上述语音合成模型包括声学特征预测模型和声码器；以及将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，包括：将文本的语音学特征输入至声学特征预测模型，得到输入的语音学特征对应的声学特征；将得到的声学特征输入至声码器，得到输入的声学特征对应的语音数据。
根据本公开的一个或多个实施例，上述声学特征预测模型的训练数据包括目标用户的歌唱数据的语音学特征和声学特征，声码器的训练数据包括目标用户的歌唱数据和对应的声学特征。
根据本公开的一个或多个实施例，声学特征预测模型的训练数据还包括样本用户集中的用户的说话数据和/或歌唱数据的语音学特征和声学特征，样本用户集不包括目标用户。
根据本公开的一个或多个实施例，上述语音学特征包括以下至少一项：音素特征、声调特征、音高特征。
根据本公开的一个或多个实施例，上述音高特征使用文本对应的语音对应的MIDI文件表示。
根据本公开的一个或多个实施例，上述语音学特征还包括韵律特征，其中，韵律特征用于表征文本对应的语音中的各个音素分别在其所在的词语和/或句子的位置。
根据本公开的一个或多个实施例，本公开提供了一种语音合成装置，该装置包括：获取单元，被配置成获取文本；确定单元，被配置成确定文本的语音学特征；合成单元，被配置成将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，其中，语音合成模型基于目标用户的歌唱数据训练得到。
根据本公开的一个或多个实施例，上述语音合成模型包括声学特征预测模型和声码器；以及上述合成单元进一步被配置成将文本的语音学特征输入至声学特征预测模型，得到输入的语音学特征对应的声学特征；将得到的声学特征输入至声码器，得到输入的声学特征对应的语音数据。
根据本公开的一个或多个实施例，上述声学特征预测模型的训练数据包括目标用户的歌唱数据的语音学特征和声学特征，声码器的训练数据包括目标用户的歌唱数据和对应的声学特征。
根据本公开的一个或多个实施例，声学特征预测模型的训练数据还包括样本用户集中的用户的说话数据和/或歌唱数据的语音学特征和声学特征，样本用户集不包括目标用户。
根据本公开的一个或多个实施例，上述语音学特征包括以下至少一项：音素特征、声调特征、音高特征。
根据本公开的一个或多个实施例，上述音高特征使用语音数据对应的MIDI文件表示。
根据本公开的一个或多个实施例，上述语音学特征还包括韵律特征，其中，韵律特征用于表征语音数据对应的各个音素分别在其所在的词语和/或句子的位置。
描述于本公开的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：一种处理器包括获取单元、确定单元和合成单元。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，获取单元还可以被描述为“获取文本的单元”。
作为另一方面，本公开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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取文本；确定文本的语音学特征；将语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到目标用户针对文本的语音数据，其中，语音合成模型基于目标用户的歌唱数据训练得到。
以上描述仅为本公开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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (10)
1.一种语音合成方法，包括：
获取文本；
确定所述文本的语音学特征；
将所述语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到所述目标用户针对所述文本的语音数据，其中，所述语音合成模型基于所述目标用户的歌唱数据训练得到。
2.根据权利要求1所述的方法，其中，所述语音合成模型包括声学特征预测模型和声码器；以及
所述将所述语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到所述目标用户针对所述文本的语音数据，包括：
将所述文本的语音学特征输入至所述声学特征预测模型，得到输入的语音学特征对应的声学特征；
将得到的声学特征输入至所述声码器，得到输入的声学特征对应的语音数据。
3.根据权利要求2所述的方法，其中，所述声学特征预测模型的训练数据包括所述目标用户的歌唱数据的语音学特征和声学特征，所述声码器的训练数据包括所述目标用户的歌唱数据和对应的声学特征。
4.根据权利要求2所述的方法，其中，所述声学特征预测模型的训练数据还包括样本用户集中的用户的说话数据和/或歌唱数据的语音学特征和声学特征，所述样本用户集不包括所述目标用户。
5.根据权利要求1-4之一所述的方法，其中，所述语音学特征包括以下至少一项：音素特征、声调特征、音高特征。
6.根据权利要求5所述的方法，其中，所述音高特征使用文本对应的语音对应的MIDI文件表示。
7.根据权利要求5所述的方法，其中，所述语音学特征还包括韵律特征，其中，韵律特征用于表征文本对应的语音中的各个音素分别在其所在的词语和/或句子的位置。
8.一种语音合成装置，其中，所述装置包括：
获取单元，被配置成获取文本；
确定单元，被配置成确定所述文本的语音学特征；
合成单元，被配置成将所述语音学特征输入至预先训练的、目标用户对应的语音合成模型，得到所述目标用户针对所述文本的语音数据，其中，所述语音合成模型基于所述目标用户的歌唱数据训练得到。
9.一种电子设备，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1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010253084.5A CN111477210A (zh) | 2020-04-02 | 2020-04-02 | 语音合成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010253084.5A CN111477210A (zh) | 2020-04-02 | 2020-04-02 | 语音合成方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111477210A true CN111477210A (zh) | 2020-07-31 |
Family
ID=71749534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010253084.5A Pending CN111477210A (zh) | 2020-04-02 | 2020-04-02 | 语音合成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111477210A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112331222A (zh) * | 2020-09-23 | 2021-02-05 | 北京捷通华声科技股份有限公司 | 一种转换歌曲音色的方法、***、设备及存储介质 |
| CN112382267A (zh) * | 2020-11-13 | 2021-02-19 | 北京有竹居网络技术有限公司 | 用于转换口音的方法、装置、设备以及存储介质 |
| CN112614481A (zh) * | 2020-12-08 | 2021-04-06 | 浙江合众新能源汽车有限公司 | 一种汽车提示音的语音音色定制方法及*** |
| CN113053355A (zh) * | 2021-03-17 | 2021-06-29 | 平安科技（深圳）有限公司 | 佛乐的人声合成方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105185372A (zh) * | 2015-10-20 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 个性化多声学模型的训练方法、语音合成方法及装置 |
| CN105261355A (zh) * | 2015-09-02 | 2016-01-20 | 百度在线网络技术（北京）有限公司 | 一种语音合成方法和装置 |
| WO2017067246A1 (zh) * | 2015-10-19 | 2017-04-27 | 百度在线网络技术（北京）有限公司 | 声学模型的生成方法和装置及语音合成方法和装置 |
| CN108597492A (zh) * | 2018-05-02 | 2018-09-28 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| CN108831437A (zh) * | 2018-06-15 | 2018-11-16 | 百度在线网络技术（北京）有限公司 | 一种歌声生成方法、装置、终端和存储介质 |
| CN109285537A (zh) * | 2018-11-23 | 2019-01-29 | 北京羽扇智信息科技有限公司 | 声学模型建立、语音合成方法、装置、设备及存储介质 |
| CN109801608A (zh) * | 2018-12-18 | 2019-05-24 | 武汉西山艺创文化有限公司 | 一种基于神经网络的歌曲生成方法和*** |
| CN110136689A (zh) * | 2019-04-02 | 2019-08-16 | 平安科技（深圳）有限公司 | 基于迁移学习的歌声合成方法、装置及存储介质 |
| CN110310621A (zh) * | 2019-05-16 | 2019-10-08 | 平安科技（深圳）有限公司 | 歌唱合成方法、装置、设备以及计算机可读存储介质 |
-
2020
- 2020-04-02 CN CN202010253084.5A patent/CN111477210A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105261355A (zh) * | 2015-09-02 | 2016-01-20 | 百度在线网络技术（北京）有限公司 | 一种语音合成方法和装置 |
| WO2017067246A1 (zh) * | 2015-10-19 | 2017-04-27 | 百度在线网络技术（北京）有限公司 | 声学模型的生成方法和装置及语音合成方法和装置 |
| CN105185372A (zh) * | 2015-10-20 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 个性化多声学模型的训练方法、语音合成方法及装置 |
| CN108597492A (zh) * | 2018-05-02 | 2018-09-28 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| CN108831437A (zh) * | 2018-06-15 | 2018-11-16 | 百度在线网络技术（北京）有限公司 | 一种歌声生成方法、装置、终端和存储介质 |
| CN109285537A (zh) * | 2018-11-23 | 2019-01-29 | 北京羽扇智信息科技有限公司 | 声学模型建立、语音合成方法、装置、设备及存储介质 |
| CN109801608A (zh) * | 2018-12-18 | 2019-05-24 | 武汉西山艺创文化有限公司 | 一种基于神经网络的歌曲生成方法和*** |
| CN110136689A (zh) * | 2019-04-02 | 2019-08-16 | 平安科技（深圳）有限公司 | 基于迁移学习的歌声合成方法、装置及存储介质 |
| CN110310621A (zh) * | 2019-05-16 | 2019-10-08 | 平安科技（深圳）有限公司 | 歌唱合成方法、装置、设备以及计算机可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112331222A (zh) * | 2020-09-23 | 2021-02-05 | 北京捷通华声科技股份有限公司 | 一种转换歌曲音色的方法、***、设备及存储介质 |
| CN112382267A (zh) * | 2020-11-13 | 2021-02-19 | 北京有竹居网络技术有限公司 | 用于转换口音的方法、装置、设备以及存储介质 |
| CN112614481A (zh) * | 2020-12-08 | 2021-04-06 | 浙江合众新能源汽车有限公司 | 一种汽车提示音的语音音色定制方法及*** |
| CN113053355A (zh) * | 2021-03-17 | 2021-06-29 | 平安科技（深圳）有限公司 | 佛乐的人声合成方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10789290B2 (en) | Audio data processing method and apparatus, and computer storage medium | |
| CN111899720B (zh) | 用于生成音频的方法、装置、设备和介质 | |
| Gold et al. | Speech and audio signal processing: processing and perception of speech and music | |
| US8825486B2 (en) | Method and apparatus for generating synthetic speech with contrastive stress | |
| CN111445892B (zh) | 歌曲生成方法、装置、可读介质及电子设备 | |
| KR101274961B1 (ko) | 클라이언트단말기를 이용한 음악 컨텐츠 제작시스템 | |
| KR20210082153A (ko) | 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템 | |
| CN111402843B (zh) | 说唱音乐生成方法、装置、可读介质及电子设备 | |
| CN111477210A (zh) | 语音合成方法和装置 | |
| US8914291B2 (en) | Method and apparatus for generating synthetic speech with contrastive stress | |
| CN111782576B (zh) | 背景音乐的生成方法、装置、可读介质、电子设备 | |
| US20140236597A1 (en) | System and method for supervised creation of personalized speech samples libraries in real-time for text-to-speech synthesis | |
| CN112382270A (zh) | 语音合成方法、装置、设备以及存储介质 | |
| CN112927674A (zh) | 语音风格的迁移方法、装置、可读介质和电子设备 | |
| CN112035699A (zh) | 音乐合成方法、装置、设备和计算机可读介质 | |
| KR102277205B1 (ko) | 오디오 변환 장치 및 방법 | |
| CN112382274A (zh) | 音频合成方法、装置、设备以及存储介质 | |
| CN112071287A (zh) | 用于生成歌谱的方法、装置、电子设备和计算机可读介质 | |
| Trisyanto et al. | Emotion Recognition Based on Voice Using Combination of Long Short Term Memory (LSTM) and Recurrent Neural Network (RNN) for Automation Music Healing Application | |
| Oralbekova et al. | Current advances and algorithmic solutions in speech generation | |
| Сатыбалдиыева et al. | Analysis of methods and models for automatic processing systems of speech synthesis | |
| Aboagye et al. | Text-to-speech for Ghanaian language (Akuapem Twi) on an embedded system | |
| Ning et al. | Localized Mandarin Speech Synthesis Services for Enterprise Scenarios | |
| Li et al. | Mandarin stress analysis and Prediction for speech synthesis | |
| Ranasinghe et al. | Analysis on Using Synthesized Singing Techniques in Assistive Interfaces for Visually Impaired to Study Music |
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 |