CN112365877A - 语音合成方法、装置、电子设备和存储介质 - Google Patents
语音合成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112365877A CN112365877A CN202011364707.2A CN202011364707A CN112365877A CN 112365877 A CN112365877 A CN 112365877A CN 202011364707 A CN202011364707 A CN 202011364707A CN 112365877 A CN112365877 A CN 112365877A
- Authority
- CN
- China
- Prior art keywords
- style
- target
- voice
- training
- text
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 110
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 110
- 238000001308 synthesis method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 116
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G10L13/08—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
- G10L13/10—Prosody rules derived from text; Stress or intonation
-
- 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
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/16—Vocoder architecture
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)
- Signal Processing (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请公开了语音合成方法、装置、电子设备和存储介质，涉及自然语言处理、语音技术和深度学习领域。具体实现方案为：获取多风格音库，其中，多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种参考声学特征是对相应语音风格的语音进行声学特征提取得到，获取目标音色对应音频的第二参考声学特征，根据多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成，实现了基于目标音色，适配多种风格，以满足不同场景的需求，提高了语音合成的效率和语音合成的效果。
Description
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理、语音技术和深度学习领域，尤其是涉及语音合成方法、装置、电子设备和存储介质。
背景技术
随着音频类内容市场的不断扩大，以及语音合成技术的不断发展，智能语音播报也被广泛应用在了各种资讯播报场景下，逐渐与真人主播拉近距离。
然而，实际应用中，在不同的场景和播报内容下，需要采用不同风格，音色进行播报，因此，提供满足相应场景的高质量合成语音，则是亟待解决的技术问题。
发明内容
本申请提供了一种用于提高语音合成效率和合成效果的语音合成的方法、装置、电子设备以及存储介质。
根据本申请的一方面，提供了一种语音合成方法，包括：
获取多风格音库；其中，所述多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种所述参考声学特征是对相应语音风格的语音进行声学特征提取得到；
获取目标音色对应音频的第二参考声学特征；
根据所述多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和所述目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成。
根据本申请的另一方面，提供了一种语音合成装置，包括：
第一获取模块，用于获取多风格音库；其中，所述多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种所述参考声学特征是对相应语音风格的语音进行声学特征提取得到；
第二获取模块，用于获取目标音色对应音频的第二参考声学特征；
合成模块，用于根据所述多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和所述目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成。
根据本申请的另一方面，提供了一种电子设备，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第一方面所述的方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现第一方面所述的方法。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
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为本申请实施例所提供的一种语音合成方法的流程示意图；
图2为本申请实施例所提供的另一种语音合成方法的流程示意图图；
图3为本申请实施例的语音合成模型的结构示意图；
图4为本申请实施例提供的一种语音合成模型的训练方法的流程示意图；
图5为本申请实施例的语音合成模型的结构示意图；
图6为本申请实施例提供的另一种语音合成模型的训练方法的流程示意图；
图7为本申请实施例提供的一种语音合成装置的结构示意图；
图8是根据本申请实施例的语音合成方法的电子设备的框图。
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。
下面参考附图描述本申请实施例的语音合成方法、装置、电子设备和存储介质。
图1为本申请实施例所提供的一种语音合成方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，获取多风格音库，其中，多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种参考声学特征是对相应语音风格的语音进行声学特征提取得到。
本实施例中，多风格音库可以是预先建立的，多风格音库中存储了根据多种语音风格对应的音频进行声学特征提取得到的第一参考声学特征，第一参考声学特征指示了相应音频的发音风格。其中，发音风格，例如为幽默风格、冷酷风格、温柔风格等，或者根据人的气质特色进行的语音风格的划分，如，张三的独有风格、王二的独有风格等。本实施例中不一一列举。
作为一种可能的实现方式，第一参考声学特征，可以是将相应的语音风格对应音频输入训练得到的声学模型，进行声学特征提取得到的，包含发音风格、音色和发音内容的特征，本实施例中用于指示相应语音的发音风格。
步骤102，获取目标音色对应音频的第二参考声学特征。
本实施例中，目标音色，为在进行语音合成时，需要采用的音色。作为一种可能的实现方式，目标音色可以和交互的场景相关，例如，交互的场景是幼儿看护场景，则可以使用妈妈的音色作为目标音色，以使得后续合成得到的语音是妈妈的音色，以提高交互的效果；或者，交互的场景是教学场景，则目标音色为相应教师的音色，以使得学生更加专注于听讲，以提高交互效果。作为另一种可能的实现方式，目标音色可以是***随机指定的。本实施例中对于目标音色的确定方式不进行限定。
对于第二参考声学特征的确定方式，可通过以下方式实现：
作为一种可能的实现方式，可将获取的目标音色对应音频，输入训练得到的声学模型，以得到目标音色对应音频的第二参考声学特征，其中，第二参考声学特征用于指示相应语音的音色特征。
作为另一种可能的实现方式，对目标音色的语音进行短时傅里叶变换，得到目标音色的语音的语谱图，由于当前得到的语谱图中包含的语音特征较多，因此，对语谱图通过梅尔标度滤波器组，进行滤波，以使得获取得到的第二参考声学特征包含的声学特征是适宜的，不会包含过多冗余的声学特征。其中，第二参考声学特征包含发音风格、音色和发音内容的特征，本实施例中用于指示相应语音的音色特征。
步骤103，根据多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成。
本实施例中，选定的目标语音风格，可以是根据场景的需求，根据预先设定的各语音风格的风格标签，确定的目标语音风格，或者是，根据文本内容，例如，幽默的，夸张的，确定的目标语音风格；又或者是***从多风格音库中，基于各语音风格的使用频率的高低，将使用频率较高的语音风格作为目标语音风格；又或者是***从多风格音库中随机指定的。本实施例中不进行限定。
在本申请实施例的一种可能的实现方式中，根据多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和目标音色对应音频的第二参考声学特征，将第一参考声学特征中用于指示相应语音的语音风格的特征，和第二参考声学特征中用于指示音色的特征进行特征融合，再将得到的融合特征对待合成的目标文本进行语音合成，以使得合成得到的语音中融合了目标音色和目标发音风格，满足了不同场景的语音合成需求，而不需要单一用户，模仿不同类型的发音风格，导致风格模仿失败，或效率较低的问题，提高了语音合成的效率，以及语音合成的效果。
在本申请实施例的另一种可能的实现方式中，将从多风格音库中选定的目标语音风格对应音频的第一参考声学特征、目标音色对应音频的第二参考声学特征和目标文本，输入经过训练的语音合成模型，以得到语音合成模型输出的目标语音。其中，语音合成模型在进行训练时，可以通过深度学习的方式进行训练，相比于其他机器学习方法，深度学习在大数据集上的表现更好，从而，采用训练得到的语音合成模型，对任一的目标音色和目标语言风格，与目标文本进行合成，获取了具有个性化风格的特定音色的目标语音，提高了合成的效率和效果。其中关于语音合成模型的训练方法，后续实施例中会详细介。
需要理解的是，利用语音合成模型，合成得到目标语音时，从多风格音库中选定的目标语音风格可以是根据待合成文本的语音风格确定的，也就是说待合成文本的语音风格和从多风格库中选定的目标语音风格是相似的语音风格，以使得合成得到的文本和语音风格匹配，提高了语音合成的效果。
本实施例的语音合成方法中，获取多风格音库，其中，多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种参考声学特征是对相应语音风格的语音进行声学特征提取得到，获取目标音色对应音频的第二参考声学特征，根据多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成，实现了基于目标音色，适配多种风格，以满足不同场景的需求，提高了语音合成的效率和语音合成的效果。
基于上一实施例，本实施例提供了另一种语音合成方法，图2为本申请实施例所提供的另一种语音合成方法的流程示意图，如图2所示，该方法包含以下步骤:
步骤201，获取多风格音库。
步骤202，获取目标音色对应音频的第二参考声学特征。
其中，步骤201和步骤202，可参照上述实施例中的解释说明，本实施例中不再赘述。
步骤203，将目标语音风格对应音频的第一参考声学特征、目标音色对应音频的第二参考声学特征和目标文本，输入经过训练的语音合成模型，以得到语音合成模型输出的目标语音。
本实施例中，可基于不同的场景需求，采用训练得到的语音合成模型，将选定的任一目标发音风格和目标音色融入目标文本中，得到对应的目标语音，获取了具有个性化风格的特定音色的目标语音，满足了不同场景的语音合成的个性化需求，并提高了语音合成的效果和效率。
本实施例中的语音合成模型包含风格编码器、音色编码器、文本编码器、解码器和声码器，图3为本申请实施例的语音合成模型的结构示意图。
如图3所示，风格编码器，用于对输入的从多风格音库中选定的目标语音风格对应音频的第一参考声学特征和目标文本进行编码，以得到目标文本的风格编码，其中，目标文本输入风格编码器，以通过文本预测出目标文本的风格，风格编码指示了需要采用的发音风格；音色编码器，用于对输入的目标音色对应的第二参考声学特征进行编码，以得到音色编码，音色编码指示了需要采用的特定音色；文本编码器，用于输入目标文本以得到文本编码。进而，将文本编码、目标文本的风格编码和音色编码输入解码器，解码器用于对输入的文本编码、风格编码和音色编码融合以得到目标声学特征。进而，将获取得到的目标声学特征输入声码器，以使得声码器，根据输入的目标声学特征以得到目标语音，实现了通过设置语音合成模型的不同模块，对获取的目标风格对应的第一参考特征、目标音色对应的第二参考特征和文本的特征分别进行编码，进而将目标发音风格的风格编码和目标音色的音色编码和文本的编码进行融合，生成了具有个性化风格的特定音色的目标语音，满足了不同场景的语音合成的个性化需求，并提高了语音合成的效果和效率。
为了实现上述实施例，在利用语音合成模型进行目标语音合成之前，即上述步骤103和203之前，还需要对语音合成模型进行训练，为此本实施例提供了一种语音合成模型的训练方法的可能实现方式。
图4为本申请实施例提供的一种语音合成模型的训练方法的流程示意图，具体说明了如何对风格编码器进行训练。如图4所示，步骤103和203之前，该方法包含以下步骤：
步骤401，获取训练样本，其中，训练样本中包含训练语音，训练语音标注有对应文本和训练语音的声学特征。
其中，声学特征包含了相应语音的发音风格、发音内容和音色的特征。
作为一种可能的实现方式，声学特征的获取方式，可以是将相应训练样本包含的训练语音进行短时傅里叶变换，得到训练语音的语谱图，进而对训练语音的语谱图通过梅尔标度滤波器组，得到声学特征。
作为另一种可能的实现方式，声学特征可以是通过声学特征提取模型提取得到的，例如，Tacotron模型。
步骤402，将训练样本标注的文本和声学特征输入风格提取器，得到风格提取器输出的训练语音的标准风格编码。
本实施例中，风格提取器用于指导风格编码器的学习，以实现对风格编码的训练。
作为一种可能的实现方式，如图5所示，风格提取器包含声学特征编码器和参考文本编码器，其中，声学特征编码器的输入为训练语音的声学特征，输出为训练语音的第一参考风格编码，参考文本编码器的输入为文本，输出为根据训练语音对应文本提取到的第二参考风格编码，进而根据注意力机制，确定第一参考风格编码和第二参考风格编码在确定训练语音的标准风格编码时的权重，通过加权计算以得到训练语音的标准风格编码。
步骤403，将训练样本标注的文本和声学特征输入风格编码器，得到风格编码器输出的风格编码。
步骤404，根据风格编码器输出的风格编码和风格提取器输出的标准风格编码之间的差异，调整风格编码器的模型参数，以使风格编码器输出的风格编码和标准风格编码之间的差异最小化。
本实施例中，将训练样本标注的文本和声学特征，分别输入风格提取器和风格编码器后，分别得到对应的标准风格编码和风格编码，比较标准风格编码和风格编码之间的差异，根据差异调整风格编码器的模型参数，通过多轮迭代，以使风格编码器输出的风格编码和标准风格编码之间的差异最小化，也就是说通过风格提取器指导风格编码器的学习，使得风格编码器输出的风格编码和标准风格编码之间差异最小，提高了风格编码器输出的风格编码的准确度，进而提高了，后续进行语音合成时的合成效果。
本实施例中，通过风格提取器指导风格编码器的学习，使得风格编码器输出的风格编码和标准风格编码之间差异最小，提高了风格编码器输出的风格编码的准确度，进而提高了，后续进行语音合成时的合成效果。
基于上述实施例，在利用语音合成模型进行目标语音合成之前，即上述步骤103和203之前，还需要对语音合成模型进行训练，为此本实施例提供了另一种语音合成模型的训练方法的可能实现方式。
图6为本申请实施例提供的另一种语音合成模型的训练方法的流程示意图，具体说明了如何对语音合成模型进行训练。如图6所示，步骤103和203之前包含以下步骤：
步骤601，将训练样本标注的文本输入文本编码器，以得到训练样本的文本编码。
步骤602，将训练样本标注的声学特征输入音色编码器，以得到训练样本的音色编码。
步骤603，将训练样本的音色编码、训练样本的文本编码和风格编码器输出的风格编码输入解码器，得到解码器输出的预测声学特征。
步骤604，根据预测声学特征与训练语音的声学特征之间的差异，调整语音合成模型中的模型参数，以使预测声学特征与训练语音的声学特征之间的差异最小化。
需要说明的是，对语音合成模型的训练可以在对风格编码器训练之前训练，也可以在风格编码器训练完成之后训练。其中，语音合成模型的训练和风格编码器的训练，可以对其中一个进行训练；而为了提高语音合成的效果，可以对语音合成模型和风格编码器均进行训练。
本实施例中，训练样本包含的训练语音的声学特征包含发音风格、音色和发音文本分别对应的特征。在对语音合成模型进行训练的过程中，利用训练语音标注的文本和声学特征，输入语音合成模型得到预测声学特征，进而将利用训练语音预测得到的声学特征和训练语音标注的声学特征进行比较，根据训练语音的预测声学特征与声学特征之间的差异，调整语音合成模型中的模型参数，通过多轮迭代，以使预测声学特征与训练语音的声学特征之间的差异最小化，当差异最小时，语音合成模型训练完成，实现了训练得到的语音合成模型，可以基于特定的音色，和多种目标语音风格进行合成，以得到音色和风格灵活多变的目标语音，满足了不同场景下的语音合成需求，同时，由于不需要针对特定风格和语音训练对应的模型，提高了模型训练的效率。
为了实现上述实施例，本申请还提供了一种语音合成装置。
图7为本申请实施例提供的一种语音合成装置的结构示意图。
如图7所示，包括：第一获取模块71、第二获取模块72和合成模块753。
第一获取模块71，用于获取多风格音库；其中，多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种参考声学特征是对相应语音风格的语音进行声学特征提取得到。
第二获取模块72，用于获取目标音色对应音频的第二参考声学特征。
合成模块73，用于根据多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成。
在本申请实施例的一种可能的实现方式中，上述合成模块73，具体用于：将所述目标语音风格对应音频的第一参考声学特征、所述目标音色对应音频的第二参考声学特征和所述目标文本，输入经过训练的语音合成模型，以得到所述语音合成模型输出的目标语音。
在本申请实施例的一种可能的实现方式中，语音合成模型，包括：
风格编码器，用于输入所述第一参考声学特征和所述目标文本，以得到所述目标文本的风格编码；
音色编码器，用于输入所述第二参考声学特征以得到音色编码；
文本编码器，用于输入所述目标文本以得到文本编码；
解码器，用于输入所述风格编码、所述音色编码和所述文本编码，以得到目标声学特征；
声码器，用于输入所述目标声学特征以得到所述目标语音。
在本申请实施例的一种可能的实现方式中，该装置还包括第一训练模块。
第一训练模块，用于获取训练样本，其中，所述训练样本中包含训练语音，所述训练语音标注有对应文本和所述训练语音的声学特征；将所述训练样本标注的文本和声学特征输入风格提取器，得到所述风格提取器输出的所述训练语音的标准风格编码；将所述训练样本标注的文本和声学特征输入所述风格编码器，得到所述风格编码器输出的风格编码；根据所述风格编码器输出的风格编码和所述标准风格编码之间的差异，调整所述风格编码器的模型参数，以使所述风格编码器输出的风格编码和所述标准风格编码之间的差异最小化
在本申请实施例的一种可能的实现方式中，该装置还包括第二训练模块。
第二训练模块，用于将所述训练样本标注的文本输入所述文本编码器，以得到所述训练样本的文本编码；将所述训练样本标注的声学特征输入所述音色编码器，以得到所述训练样本的音色编码；将所述训练样本的音色编码、所述训练样本的文本编码和所述风格编码器输出的风格编码输入所述解码器，得到所述解码器输出的预测声学特征；根据所述预测声学特征与所述训练语音的声学特征之间的差异，调整所述语音合成模型中的模型参数，以使所述预测声学特征与所述训练语音的声学特征之间的差异最小化。
在本申请实施例的一种可能的实现方式中，第二获取模块72，具体用于：对所述目标音色的语音进行短时傅里叶变换，得到所述目标音色的语音的语谱图；对所述语谱图通过梅尔标度滤波器组，得到所述第二参考声学特征。
需要说明的是，前述对语音合成方法实施例的解释说明，也适用于本实施例的语音合成装置，原理相同，此处不再赘述。
本实施例的语音合成装置中，获取多风格音库，其中，多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种参考声学特征是对相应语音风格的语音进行声学特征提取得到，获取目标音色对应音频的第二参考声学特征，根据多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成，实现了基于目标音色，适配多种风格，以满足不同场景的需求，提高了语音合成的效率和语音合成的效果。
为了实现上述实施例，本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现前述方法实施例所述的语音合成方法。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的语音合成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/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，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8中以一个处理器801为例。
存储器802即为本申请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所提供的语音合成方法。本申请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所提供的语音合成方法。
存储器802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，如本申请实施例中的语音合成方法对应的程序指令/模块(例如，附图7所示的第一获取模块71、第二获取模块72和合成模块73)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器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合成方法。
存储器802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合成方法的电子设备的使用所创建的数据等。此外，存储器802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802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至语音合成方法的电子设备。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。
语音合成方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与语音合成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804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(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(LCD)、发光二极管(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ASIC(专用集成电路)、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(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，CRT(阴极射线管)或者LCD(液晶显示器)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)、或者包括中间件部件的计算***(例如，应用服务器)、或者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(LAN)、广域网(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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
根据本申请实施例的技术方案，获取多风格音库，其中，多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种参考声学特征是对相应语音风格的语音进行声学特征提取得到，获取目标音色对应音频的第二参考声学特征，根据多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成，实现了基于目标音色，适配多种风格，以满足不同场景的需求，提高了语音合成的效率和语音合成的效果。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，本发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 (15)
1.一种语音合成方法，包括：
获取多风格音库；其中，所述多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种所述参考声学特征是对相应语音风格的语音进行声学特征提取得到；
获取目标音色对应音频的第二参考声学特征；
根据所述多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和所述目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成。
2.根据权利要求1所述的语音合成方法，其中，所述根据所述多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和所述目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成，包括：
将所述目标语音风格对应音频的第一参考声学特征、所述目标音色对应音频的第二参考声学特征和所述目标文本，输入经过训练的语音合成模型，以得到所述语音合成模型输出的目标语音。
3.根据权利要求2所述的语音合成方法，其中，所述语音合成模型，包括：
风格编码器，用于输入所述第一参考声学特征和所述目标文本，以得到所述目标文本的风格编码；
音色编码器，用于输入所述第二参考声学特征以得到音色编码；
文本编码器，用于输入所述目标文本以得到文本编码；
解码器，用于输入所述风格编码、所述音色编码和所述文本编码，以得到目标声学特征；
声码器，用于输入所述目标声学特征以得到所述目标语音。
4.根据权利要求3所述的语音合成方法，其中，所述根据所述多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和所述目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成之前，还包括：
获取训练样本，其中，所述训练样本中包含训练语音，所述训练语音标注有对应文本和所述训练语音的声学特征；
将所述训练样本标注的文本和声学特征输入风格提取器，得到所述风格提取器输出的所述训练语音的标准风格编码；
将所述训练样本标注的文本和声学特征输入所述风格编码器，得到所述风格编码器输出的风格编码；
根据所述风格编码器输出的风格编码和所述标准风格编码之间的差异，调整所述风格编码器的模型参数，以使所述风格编码器输出的风格编码和所述标准风格编码之间的差异最小化。
5.根据权利要求4所述的语音合成方法，其中，所述根据所述多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和所述目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成之前，还包括：
将所述训练样本标注的文本输入所述文本编码器，以得到所述训练样本的文本编码；
将所述训练样本标注的声学特征输入所述音色编码器，以得到所述训练样本的音色编码；
将所述训练样本的音色编码、所述训练样本的文本编码和所述风格编码器输出的风格编码输入所述解码器，得到所述解码器输出的预测声学特征；
根据所述预测声学特征与所述训练语音的声学特征之间的差异，调整所述语音合成模型中的模型参数，以使所述预测声学特征与所述训练语音的声学特征之间的差异最小化。
6.根据权利要求1-5任一项所述的语音合成方法，其中，所述获取目标音色对应音频的第二参考声学特征，包括：
对所述目标音色的语音进行短时傅里叶变换，得到所述目标音色的语音的语谱图；
对所述语谱图通过梅尔标度滤波器组，得到所述第二参考声学特征。
7.一种语音合成装置，包括：
第一获取模块，用于获取多风格音库；其中，所述多风格音库中存有多种语音风格对应音频的第一参考声学特征，每种所述参考声学特征是对相应语音风格的语音进行声学特征提取得到；
第二获取模块，用于获取目标音色对应音频的第二参考声学特征；
合成模块，用于根据所述多风格音库中选定的目标语音风格对应音频的第一参考声学特征，和所述目标音色对应音频的第二参考声学特征，对待合成的目标文本进行语音合成。
8.根据权利要求7所述的语音合成装置，其中，所述合成模块，具体用于：
将所述目标语音风格对应音频的第一参考声学特征、所述目标音色对应音频的第二参考声学特征和所述目标文本，输入经过训练的语音合成模型，以得到所述语音合成模型输出的目标语音。
9.根据权利要求8所述的语音合成装置，其中，所述语音合成模型，包括：
风格编码器，用于输入所述第一参考声学特征和所述目标文本，以得到所述目标文本的风格编码；
音色编码器，用于输入所述第二参考声学特征以得到音色编码；
文本编码器，用于输入所述目标文本以得到文本编码；
解码器，用于输入所述风格编码、所述音色编码和所述文本编码，以得到目标声学特征；
声码器，用于输入所述目标声学特征以得到所述目标语音。
10.根据权利要求9所述的语音合成装置，其中，所述装置，还包括：
第一训练模块，用于获取训练样本，其中，所述训练样本中包含训练语音，所述训练语音标注有对应文本和所述训练语音的声学特征；将所述训练样本标注的文本和声学特征输入风格提取器，得到所述风格提取器输出的所述训练语音的标准风格编码；将所述训练样本标注的文本和声学特征输入所述风格编码器，得到所述风格编码器输出的风格编码；根据所述风格编码器输出的风格编码和所述标准风格编码之间的差异，调整所述风格编码器的模型参数，以使所述风格编码器输出的风格编码和所述标准风格编码之间的差异最小化。
11.根据权利要求10所述的语音合成装置，其中，所述装置，还包括：
第二训练模块，用于将所述训练样本标注的文本输入所述文本编码器，以得到所述训练样本的文本编码；将所述训练样本标注的声学特征输入所述音色编码器，以得到所述训练样本的音色编码；将所述训练样本的音色编码、所述训练样本的文本编码和所述风格编码器输出的风格编码输入所述解码器，得到所述解码器输出的预测声学特征；根据所述预测声学特征与所述训练语音的声学特征之间的差异，调整所述语音合成模型中的模型参数，以使所述预测声学特征与所述训练语音的声学特征之间的差异最小化。
12.根据权利要求7-11任一项所述的语音合成装置，其中，所述第二获取模块，具体用于：
对所述目标音色的语音进行短时傅里叶变换，得到所述目标音色的语音的语谱图；对所述语谱图通过梅尔标度滤波器组，得到所述第二参考声学特征。
13.一种电子设备，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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011364707.2A CN112365877A (zh) | 2020-11-27 | 2020-11-27 | 语音合成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011364707.2A CN112365877A (zh) | 2020-11-27 | 2020-11-27 | 语音合成方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112365877A true CN112365877A (zh) | 2021-02-12 |
Family
ID=74535522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011364707.2A Pending CN112365877A (zh) | 2020-11-27 | 2020-11-27 | 语音合成方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365877A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112687257A (zh) * | 2021-03-11 | 2021-04-20 | 北京新唐思创教育科技有限公司 | 句子相似度判断方法、装置、电子设备和可读存储介质 |
| CN113096625A (zh) * | 2021-03-24 | 2021-07-09 | 平安科技（深圳）有限公司 | 多人佛乐生成方法、装置、设备及存储介质 |
| CN113112969A (zh) * | 2021-03-23 | 2021-07-13 | 平安科技（深圳）有限公司 | 基于神经网络的佛教音乐记谱方法、装置、设备及介质 |
| CN113345416A (zh) * | 2021-08-02 | 2021-09-03 | 智者四海（北京）技术有限公司 | 语音合成方法、装置及电子设备 |
| CN113409764A (zh) * | 2021-06-11 | 2021-09-17 | 北京搜狗科技发展有限公司 | 一种语音合成方法、装置和用于语音合成的装置 |
| CN113539236A (zh) * | 2021-07-13 | 2021-10-22 | 网易（杭州）网络有限公司 | 一种语音合成方法和装置 |
| CN113724684A (zh) * | 2021-10-19 | 2021-11-30 | 南京航空航天大学 | 一种空中交通管制指令的语音合成方法及*** |
| CN113744713A (zh) * | 2021-08-12 | 2021-12-03 | 北京百度网讯科技有限公司 | 一种语音合成方法及语音合成模型的训练方法 |
| CN113808572A (zh) * | 2021-08-18 | 2021-12-17 | 北京百度网讯科技有限公司 | 语音合成方法、装置、电子设备和存储介质 |
| CN114360558A (zh) * | 2021-12-27 | 2022-04-15 | 北京百度网讯科技有限公司 | 语音转换方法、语音转换模型的生成方法及其装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1835074A (zh) * | 2006-04-07 | 2006-09-20 | 安徽中科大讯飞信息科技有限公司 | 一种结合高层描述信息和模型自适应的说话人转换方法 |
| CN105304080A (zh) * | 2015-09-22 | 2016-02-03 | 科大讯飞股份有限公司 | 语音合成装置及方法 |
| CN107705783A (zh) * | 2017-11-27 | 2018-02-16 | 北京搜狗科技发展有限公司 | 一种语音合成方法及装置 |
| CN108417228A (zh) * | 2018-02-02 | 2018-08-17 | 福州大学 | 乐器音色迁移下的人声音色相似性度量方法 |
| CN110277106A (zh) * | 2019-06-21 | 2019-09-24 | 北京达佳互联信息技术有限公司 | 音频质量确定方法、装置、设备及存储介质 |
| CN110599998A (zh) * | 2018-05-25 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 一种语音数据生成方法及装置 |
| US20200005763A1 (en) * | 2019-07-25 | 2020-01-02 | Lg Electronics Inc. | Artificial intelligence (ai)-based voice sampling apparatus and method for providing speech style |
| CN111081217A (zh) * | 2019-12-03 | 2020-04-28 | 珠海格力电器股份有限公司 | 一种语音唤醒方法、装置、电子设备及存储介质 |
| CN111226275A (zh) * | 2019-12-31 | 2020-06-02 | 深圳市优必选科技股份有限公司 | 基于韵律特征预测的语音合成方法、装置、终端及介质 |
| CN111312208A (zh) * | 2020-03-09 | 2020-06-19 | 广州深声科技有限公司 | 一种说话人不相干的神经网络声码器*** |
| CN111327772A (zh) * | 2020-02-25 | 2020-06-23 | 广州腾讯科技有限公司 | 进行自动语音应答处理的方法、装置、设备及存储介质 |
| CN111402842A (zh) * | 2020-03-20 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 用于生成音频的方法、装置、设备和介质 |
| CN111768755A (zh) * | 2020-06-24 | 2020-10-13 | 华人运通(上海)云计算科技有限公司 | 信息处理方法、装置、车辆和计算机存储介质 |
| CN111899720A (zh) * | 2020-07-30 | 2020-11-06 | 北京字节跳动网络技术有限公司 | 用于生成音频的方法、装置、设备和介质 |
| CN111899719A (zh) * | 2020-07-30 | 2020-11-06 | 北京字节跳动网络技术有限公司 | 用于生成音频的方法、装置、设备和介质 |
-
2020
- 2020-11-27 CN CN202011364707.2A patent/CN112365877A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1835074A (zh) * | 2006-04-07 | 2006-09-20 | 安徽中科大讯飞信息科技有限公司 | 一种结合高层描述信息和模型自适应的说话人转换方法 |
| CN105304080A (zh) * | 2015-09-22 | 2016-02-03 | 科大讯飞股份有限公司 | 语音合成装置及方法 |
| CN107705783A (zh) * | 2017-11-27 | 2018-02-16 | 北京搜狗科技发展有限公司 | 一种语音合成方法及装置 |
| CN108417228A (zh) * | 2018-02-02 | 2018-08-17 | 福州大学 | 乐器音色迁移下的人声音色相似性度量方法 |
| CN110599998A (zh) * | 2018-05-25 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 一种语音数据生成方法及装置 |
| CN110277106A (zh) * | 2019-06-21 | 2019-09-24 | 北京达佳互联信息技术有限公司 | 音频质量确定方法、装置、设备及存储介质 |
| US20200005763A1 (en) * | 2019-07-25 | 2020-01-02 | Lg Electronics Inc. | Artificial intelligence (ai)-based voice sampling apparatus and method for providing speech style |
| CN111081217A (zh) * | 2019-12-03 | 2020-04-28 | 珠海格力电器股份有限公司 | 一种语音唤醒方法、装置、电子设备及存储介质 |
| CN111226275A (zh) * | 2019-12-31 | 2020-06-02 | 深圳市优必选科技股份有限公司 | 基于韵律特征预测的语音合成方法、装置、终端及介质 |
| CN111327772A (zh) * | 2020-02-25 | 2020-06-23 | 广州腾讯科技有限公司 | 进行自动语音应答处理的方法、装置、设备及存储介质 |
| CN111312208A (zh) * | 2020-03-09 | 2020-06-19 | 广州深声科技有限公司 | 一种说话人不相干的神经网络声码器*** |
| CN111402842A (zh) * | 2020-03-20 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 用于生成音频的方法、装置、设备和介质 |
| CN111768755A (zh) * | 2020-06-24 | 2020-10-13 | 华人运通(上海)云计算科技有限公司 | 信息处理方法、装置、车辆和计算机存储介质 |
| CN111899720A (zh) * | 2020-07-30 | 2020-11-06 | 北京字节跳动网络技术有限公司 | 用于生成音频的方法、装置、设备和介质 |
| CN111899719A (zh) * | 2020-07-30 | 2020-11-06 | 北京字节跳动网络技术有限公司 | 用于生成音频的方法、装置、设备和介质 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112687257A (zh) * | 2021-03-11 | 2021-04-20 | 北京新唐思创教育科技有限公司 | 句子相似度判断方法、装置、电子设备和可读存储介质 |
| CN112687257B (zh) * | 2021-03-11 | 2021-06-01 | 北京新唐思创教育科技有限公司 | 句子相似度判断方法、装置、电子设备和可读存储介质 |
| CN113112969A (zh) * | 2021-03-23 | 2021-07-13 | 平安科技（深圳）有限公司 | 基于神经网络的佛教音乐记谱方法、装置、设备及介质 |
| CN113112969B (zh) * | 2021-03-23 | 2024-04-05 | 平安科技（深圳）有限公司 | 基于神经网络的佛教音乐记谱方法、装置、设备及介质 |
| CN113096625A (zh) * | 2021-03-24 | 2021-07-09 | 平安科技（深圳）有限公司 | 多人佛乐生成方法、装置、设备及存储介质 |
| CN113409764A (zh) * | 2021-06-11 | 2021-09-17 | 北京搜狗科技发展有限公司 | 一种语音合成方法、装置和用于语音合成的装置 |
| CN113409764B (zh) * | 2021-06-11 | 2024-04-26 | 北京搜狗科技发展有限公司 | 一种语音合成方法、装置和用于语音合成的装置 |
| CN113539236A (zh) * | 2021-07-13 | 2021-10-22 | 网易（杭州）网络有限公司 | 一种语音合成方法和装置 |
| CN113539236B (zh) * | 2021-07-13 | 2024-03-15 | 网易（杭州）网络有限公司 | 一种语音合成方法和装置 |
| CN113345416B (zh) * | 2021-08-02 | 2021-10-29 | 智者四海（北京）技术有限公司 | 语音合成方法、装置及电子设备 |
| CN113345416A (zh) * | 2021-08-02 | 2021-09-03 | 智者四海（北京）技术有限公司 | 语音合成方法、装置及电子设备 |
| CN113744713A (zh) * | 2021-08-12 | 2021-12-03 | 北京百度网讯科技有限公司 | 一种语音合成方法及语音合成模型的训练方法 |
| CN113808572A (zh) * | 2021-08-18 | 2021-12-17 | 北京百度网讯科技有限公司 | 语音合成方法、装置、电子设备和存储介质 |
| CN113724684A (zh) * | 2021-10-19 | 2021-11-30 | 南京航空航天大学 | 一种空中交通管制指令的语音合成方法及*** |
| CN114360558B (zh) * | 2021-12-27 | 2022-12-13 | 北京百度网讯科技有限公司 | 语音转换方法、语音转换模型的生成方法及其装置 |
| CN114360558A (zh) * | 2021-12-27 | 2022-04-15 | 北京百度网讯科技有限公司 | 语音转换方法、语音转换模型的生成方法及其装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365877A (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN112365880B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN110473516B (zh) | 语音合成方法、装置以及电子设备 | |
| CN111667816A (zh) | 模型训练方法、语音合成方法、装置、设备和存储介质 | |
| JP2021157193A (ja) | 音声合成方法及び対応するモデルのトレーニング方法、装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| CN111859994A (zh) | 机器翻译模型获取及文本翻译方法、装置及存储介质 | |
| CN112530437A (zh) | 语义识别方法、装置、设备以及存储介质 | |
| JP7181332B2 (ja) | 音声変換方法、装置及び電子機器 | |
| JP2021168139A (ja) | マンマシンインタラクションのための方法、装置、機器および媒体 | |
| CN112270920A (zh) | 一种语音合成方法、装置、电子设备和可读存储介质 | |
| CN112365882A (zh) | 语音合成方法及模型训练方法、装置、设备及存储介质 | |
| CN112542155B (zh) | 歌曲合成方法及模型训练方法、装置、设备与存储介质 | |
| CN112365874B (zh) | 语音合成模型的属性注册、装置、电子设备与介质 | |
| CN112382278B (zh) | 流式语音识别结果显示方法、装置、电子设备和存储介质 | |
| CN114207706A (zh) | 使用组合的韵律信息经由神经网络生成声学序列 | |
| CN112287698B (zh) | 篇章翻译方法、装置、电子设备和存储介质 | |
| CN110782871B (zh) | 一种韵律停顿预测方法、装置以及电子设备 | |
| CN112365879A (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN110767212B (zh) | 一种语音处理方法、装置和电子设备 | |
| CN112509552A (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN112365875B (zh) | 语音合成方法、装置、声码器和电子设备 | |
| CN112528605B (zh) | 文本风格处理方法、装置、电子设备和存储介质 | |
| JP2023027748A (ja) | 音声合成方法、装置、機器、及びコンピュータ記憶媒体 | |
| CN112309368A (zh) | 韵律预测方法、装置、设备以及存储介质 | |
| CN111883101A (zh) | 一种模型训练及语音合成方法、装置、设备和介质 |
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 |