CN112397047A - 语音合成方法、装置、电子设备及可读存储介质 - Google Patents
语音合成方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112397047A CN112397047A CN202011442571.2A CN202011442571A CN112397047A CN 112397047 A CN112397047 A CN 112397047A CN 202011442571 A CN202011442571 A CN 202011442571A CN 112397047 A CN112397047 A CN 112397047A
- Authority
- CN
- China
- Prior art keywords
- text
- vector
- standard
- phoneme
- matrix
- 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 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 238000006243 chemical reaction Methods 0.000 claims abstract description 54
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001672694 Citrus reticulata Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及语音合成技术，揭露一种语音合成方法，包括：获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；对所述文本音素序列进行向量转换，得到文本矩阵；将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵；对所述目标矩阵进行频谱特征提取，得到频谱特征信息；利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。本发明还涉及一种区块链技术，所述频谱特征信息可以存储在区块链中。本发明还提出一种语音合成装置、电子设备以及可读存储介质。本发明可以提高语音合成的灵活性。
Description
技术领域
本发明涉及语音合成领域，尤其涉及一种语音合成方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能的发展，语音合成作为人工智能的重要组成部分，能将任意文字信息实时转化为标准流畅的语音朗读出来，相当于给机器装上了人工嘴巴，因此，语音合成技术也越来越受到人们的重视。
但是，目前，语音合成方法只能将文本合成某一种风格或语种的语音，如：只能将中文文本合成北京口音的普通话，不能合成四川口音或者日本口音；不能满足人们对语音合成多风格的需求，语音合成的灵活性差。
发明内容
本发明提供一种语音合成方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高语音合成的灵活性。
为实现上述目的，本发明提供的一种语音合成方法，包括：
获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；
当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；
对所述文本音素序列进行向量转换，得到文本矩阵；
将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵；
对所述目标矩阵进行频谱特征提取，得到频谱特征信息；
利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。
可选地，所述对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量，包括：
对所述样本音频进行声音特征提取转换，得到目标声谱图；
利用预构建的图片分类模型对所述目标声谱图进行特征提取，得到所述标准语音向量。
可选地，所述对所述样本音频进行声音特征提取转换，得到目标声谱图，包括：
对所述样本音频进行重采样，得到数字语音信号；
对所述数字语音信号进行预加重，得到标准数字语音信号；
对所述标准数字语音信号进行特征转换，得到所述目标声谱图。
可选地，所述利用预构建的图片分类模型对所述目标声谱图进行特征提取，得到所述标准语音向量，包括：
获取所述图片分类模型包含的全连接层的所有节点的输出，得到目标声谱图特征值集；
根据所述全连接层的所有节点的顺序，将所述目标声谱图特征值集中的特征值进行纵向组合，得到标准语音向量。
可选地，所述对所述标准数字语音信号进行特征转换，得到所述目标声谱图，包括：
利用预设声音处理算法，将所述标准数字语音信号映射在频域，得到所述目标声谱图。
可选地，所述将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵，包括：
利用预设的算法模型计算所述文本音素序列中的每个音素的音素帧长，得到音素帧长序列；
将所述音素帧长序列转换为音素帧长向量；
将所述音素帧长向量和所述文本矩阵进行横向拼接，得到标准文本矩阵；
将所述标准语音向量与所述标准文本矩阵的每一列进行纵向拼接，得到所述目标矩阵。
可选地，所述对所述待合成文本进行音素转换得到文本音素序列，包括：
将所述待合成文本进行标点符号删除，得到标准文本；
利用预设的音标规则标记所述标准文本中的每个字符对应的音素，得到所述文本音素序列。
为了解决上述问题，本发明还提供一种语音合成装置，所述装置包括：
音频处理模块，用于获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；
文本处理模块，用于当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；对所述文本音素序列进行向量转换，得到文本矩阵；将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵；
语音合成模块，用于对所述目标矩阵进行频谱特征提取，得到频谱特征信息；利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的语音合成方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的语音合成方法。
本发明实施例对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列，消除不同种类文字读音的差异性，语音合成更加灵活；对所述文本音素序列进行向量转换，得到文本矩阵；将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵，实现了语音的特征与待合成文本的特征的灵活结合，保证了后续语音可以灵活合成；对所述目标矩阵进行频谱特征提取，得到频谱特征信息；利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。因此，本发明实施例提出的语音合成方法、装置、电子设备及计算机可读存储介质提高了语音合成的灵活性。
附图说明
图1为本发明一实施例提供的语音合成方法的流程示意图；
图2为本发明一实施例提供的语音合成方法中得到目标声谱图的流程示意图；
图3为本发明一实施例提供的语音合成方法中得到标准语音向量的流程示意图；
图4为本发明一实施例提供的语音合成装置的模块示意图；
图5为本发明一实施例提供的实现语音合成方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种语音合成方法。所述语音合成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述语音合成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的语音合成方法的流程示意图，在本发明实施例中，所述语音合成方法包括：
S1、获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；
本发明实施例中，所述样本音频为后续需要成的目标说话人的语音数据，如：将后续文本合成说话人A的语音，那么所述样本音频为说话人A的语音数。
进一步地，本发明为了更好后续文本的语音合成更加的准确，对所述样本音频进行特征提取处理，得到所述标准语音向量。
由于语音数据容量较大不易处理，因此，对所述样本音频进行声音特征提取转换，得到声谱图。
详细地，本发明实施例中，参阅图2所示，所述对所述样本音频进行声音特征提取转换，得到目标声谱图，包括：
S11、对所述样本音频进行重采样，得到数字语音信号；
本发明实施例中，为了便于对所述样本音频进行数据处理，对所述样本音频进行重采样，得到所述数字语音信号，较佳地，本发明实施例利用数模转换器对所述样本音频进行重采样。
S12、对所述数字语音信号进行预加重，得到标准数字语音信号；
详细地，本发明实施例利用如下公式进行所述预加重操作：
y(t)＝x(t)-μx(t-1)
其中，x(t)为所述数字语音信号，t为时间，y(t)为所述标准数字语音信号，μ为所述预加重操作的预设调节值，较佳地，μ的取值范围为[0.9,1.0]。
S13、对所述标准数字语音信号进行特征转换，得到所述目标声谱图；
本发明实施例中，所述标准数字语音信号只能体现音频在时域上的变化，不能体现所述标准语音信号的音频特征，为了体现所述标准语音信号的音频特征，是音频特征更加直观和清晰，对所述标准数字语音信号进行特征转换。
详细地，本发明实施例中，对所述标准数字语音信号进行特征转换，包括：利用预设声音处理算法，将所述标准数字语音信号映射在频域，得到所述目标声谱图。较佳地，本发明实施例中所述声音处理算法为梅尔滤波算法。
进一步地，为了数据进一步简化利用，提高数据的处理效率，本发明实施例对所述目标声谱图进行向量化处理，包括：利用预构建的图片分类模型对所述目标声谱图进行特征提取，得到所述标准语音向量。较佳地，本发明实施例中，所述预构建的图片分类模型为利用历史声谱图集训练的残差网络模型，其中所述历史声谱图集为多个与目标声谱图类型相同内容不同的声谱图集合。
详细地，本发明实施例中，参阅图3所示，所述利用预构建的图片分类模型对所述目标声谱图进行特征提取，得到所述标准语音向量，包括：
S21、获取所述图片分类模型包含的全连接层的所有节点的输出，得到目标声谱图特征值集；
例如：所述图片分类模型包含的全连接层共有1000个节点，将目标声谱图T输入所述图片分类模型，获取1000个节点输出值，得到目标声谱图T的目标声谱图特征值集，其中，每个节点的输出为目标声谱图T的一个特征值，所以目标声谱图T的目标声谱图特征值集中共有1000个特征值。
S22、根据所述全连接层的所有节点的顺序，将所述目标声谱图特征值集中的特征值进行纵向组合，得到标准语音向量；
例如：全连接层共有3个节点，按顺序分别为第一节点、第二节点、第三节点，目标声谱图A的目标声谱图特征值集中共有3个特征值为3,5,1，其中，特征值1为第一节点的输出，特征值3为第二节点的输出、特征值5为第三节点的输出，将目标声谱图A的目标声谱图特征值集中的三个特征值按节点顺序纵向组合得到目标声谱图A的标准语音向量
S2、当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；
本发明实施例中，所述待合成文本为需要合成语音的文本，不同语音的文本的发音的音素可以用通用的音标规则进行表示，进一步，本发明实施例为了消除不同语言文本的差异，对所述待合成文本进行音素转换得到文本音素序列。
详细地，本发明实施例中，所述对所述待合成文本进行音素转换，得到所述文本音素序列，包括：将所述待合成文本进行标点符号删除，得到标准文本；利用预设的音标规则标记所述标准文本中的每个字符对应的音素，得到所述文本音素序列，如：所述预设的音标规则为国际音标规则，标记字符“啊”进行对应的音素为a，得到的文本音素序列为[a]。
S3、对所述文本音素序列进行向量转换，得到文本矩阵；
本发明实施例中，利用onehot编码算法将所述文本音素序列中的每个音素转换为列向量，得到所述文本矩阵。
S4、将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵；
详细地，本发明实施例中，为了后续更好地进行语音合成，还需要确定所述文本音素序列中的每个音素进行语音对齐，即确定所述文本音素序列中的每个音素的发音时长即音素帧长，因此，本发明实施例利用预设的算法模型计算所述文本音素序列中的每个音素的音素帧长，得到音素帧长序列，本发明实施例中所述预设的算法模型可以为DNN-HMM网络模型。
进一步地，本发明实施例中将所述音素帧长序列转换为音素帧长向量，即将音素帧长序列转换为对应的行向量，得到所述音素帧长向量，将所述音素帧长向量和所述文本矩阵进行横向拼接，得到所述标准文本矩阵，例如：所述音素帧长向量为1*4的行向量，所述文本矩阵为5*4的矩阵，将所述音素帧长向量作为所述文本矩阵的第五行，得到6*4的所述标准文本矩阵。
详细地，本发明实施例中，将所述标准语音向量与所述标准文本矩阵的每一列进行纵向拼接，得到所述目标矩阵，例如：所述标准文本矩阵的为
所述标准语音向量为
将所述标准语音向量与所述标准文本矩阵的每一列进行纵向拼接，得到所述目标矩阵为
S5、对所述目标矩阵进行频谱特征提取，得到频谱特征信息；
为了进一步进行语音合成，本发明实施例还需要确定所述目标矩阵的频谱特征，其中，所述频谱特征可以为Mel频谱。
详细地，本发明实施例中利用训练完成的声学模型对所述目标矩阵进行频谱特征提取，得到所述频谱特征提取。较佳地，所述声学模型可以为transformer模型。
进一步地，本发明实施例中利用利用训练完成的声学模型对所述目标矩阵进行频谱特征提取之前，还包括：获取历史文本矩阵集；对所述历史文本矩阵集的每个历史文本矩阵进行频谱特征信息标记，得到训练集；利用所述训练集对所述声学模型进行训练，直至所述声学模型收敛，得到所述训练完成的声学模型。其中，所述历史文本矩阵集为多个历史文本矩阵的集合，所述历史文本矩阵为与所述待合成文本不同的文本对应的目标矩阵。
本发明的另一实施例中，为了保证数据的隐私性，所述频谱特征信息可以存储在区块链节点中。
S6、利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。
详细地，本发明实施例中将所述频谱特征信息输入至预设的声码器，得到所述合成音频。
较佳地，所述声码器为WORLD声码器。
如图4所示，是本发明语音合成装置的功能模块图。
本发明所述语音合成装置100可以安装于电子设备中。根据实现的功能，所述语音合成装置可以包括音频处理模块101、文字处理模块102、语音合成模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述音频处理模块101用于获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量。
本发明实施例中，所述样本音频为后续需要成的目标说话人的语音数据，如：将后续文本合成说话人A的语音，那么所述样本音频为说话人A的语音数。
进一步地，本发明为了更好后续文本的语音合成更加的准确，所述音频处理模块101对所述样本音频进行特征提取处理，得到所述标准语音向量。
由于语音数据容量较大不易处理，因此，所述音频处理模块101对所述样本音频进行声音特征提取转换，得到目标声谱图。
详细地，本发明实施例中，所述音频处理模块101利用下述手段对所述样本音频进行声音特征提取转换，得到目标声谱图，包括：
对所述样本音频进行重采样，得到数字语音信号；
本发明实施例中，为了便于对所述样本音频进行数据处理，对所述样本音频进行重采样，得到所述数字语音信号，较佳地，本发明实施例利用数模转换器对所述样本音频进行重采样。
对所述数字语音信号进行预加重，得到标准数字语音信号；
详细地，本发明实施例利用如下公式进行所述预加重操作：
y(t)＝x(t)-μx(t-1)
其中，x(t)为所述数字语音信号，t为时间，y(t)为所述标准数字语音信号，μ为所述预加重操作的预设调节值，较佳地，μ的取值范围为[0.9,1.0]。
对所述标准数字语音信号进行特征转换，得到所述目标声谱图；
本发明实施例中，所述标准数字语音信号只能体现音频在时域上的变化，不能体现所述标准语音信号的音频特征，为了体现所述标准语音信号的音频特征，是音频特征更加直观和清晰，对所述标准数字语音信号进行特征转换。
详细地，本发明实施例中，所述音频处理模块101对所述标准数字语音信号进行特征转换，包括：利用预设声音处理算法，将所述标准数字语音信号映射在频域，得到所述目标声谱图。较佳地，本发明实施例中所述声音处理算法为梅尔滤波算法。
进一步地，为了数据进一步简化利用，提高数据的处理效率，本发明实施例所述音频处理模块101对所述目标声谱图进行向量化处理，包括：利用预构建的图片分类模型对所述目标声谱图进行特征提取，得到所述标准语音向量。较佳地，本发明实施例中，所述预构建的图片分类模型为利用历史声谱图集训练的残差网络模型，其中所述历史声谱图集为多个与目标声谱图类型相同内容不同的声谱图集合。
详细地，本发明实施例中，所述音频处理模块101利用下述手段对所述目标声谱图进行特征提取，得到所述标准语音向量，包括：
获取所述图片分类模型包含的全连接层的所有节点的输出，得到目标声谱图特征值集；
例如：所述图片分类模型包含的全连接层共有1000个节点，将目标声谱图T输入所述图片分类模型，获取1000个节点输出值，得到目标声谱图T的目标声谱图特征值集，其中，每个节点的输出为目标声谱图T的一个特征值，所以目标声谱图T的目标声谱图特征值集中共有1000个特征值。
根据所述全连接层的所有节点的顺序，将所述目标声谱图特征值集中的特征值进行纵向组合，得到标准语音向量；
例如：全连接层共有3个节点，按顺序分别为第一节点、第二节点、第三节点，目标声谱图A的目标声谱图特征值集中共有3个特征值为3,5,1，其中，特征值1为第一节点的输出，特征值3为第二节点的输出、特征值5为第三节点的输出，将目标声谱图A的目标声谱图特征值集中的三个特征值按节点顺序纵向组合得到目标声谱图A的标准语音向量
所述文本处理模块102用于当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；对所述文本音素序列进行向量转换，得到文本矩阵；将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵。
本发明实施例中，所述待合成文本为需要合成语音的文本，不同语音的文本的发音的音素可以用通用的音标规则进行表示，进一步，本发明实施例为了消除不同语言文本的差异，对所述待合成文本进行音素转换得到文本音素序列。
详细地，本发明实施例中，所述文本处理模块102对所述待合成文本进行音素转换，得到所述文本音素序列，包括：将所述待合成文本进行标点符号删除，得到标准文本；利用预设的音标规则标记所述标准文本中的每个字符对应的音素，得到所述文本音素序列，如：所述预设的音标规则为国际音标规则，标记字符“啊”进行对应的音素为a，得到的文本音素序列为[a]。
本发明实施例中，所述文本处理模块102利用onehot编码算法将所述文本音素序列中的每个音素转换为列向量，得到所述文本矩阵。
详细地，本发明实施例中，为了后续更好地进行语音合成，还需要确定所述文本音素序列中的每个音素进行语音对齐，即确定所述文本音素序列中的每个音素的发音时长即音素帧长，因此，本发明实施例所述文本处理模块102利用预设的算法模型计算所述文本音素序列中的每个音素的音素帧长，得到音素帧长序列，本发明实施例中所述预设的算法模型可以为DNN-HMM网络模型。
进一步地，本发明实施例中所述文本处理模块102将所述音素帧长序列转换为音素帧长向量，即将音素帧长序列转换为对应的行向量，得到所述音素帧长向量，将所述音素帧长向量和所述文本矩阵进行横向拼接，得到所述标准文本矩阵，例如：所述音素帧长向量为1*4的行向量，所述文本矩阵为5*4的矩阵，将所述音素帧长向量作为所述文本矩阵的第五行，得到6*4的所述标准文本矩阵。
详细地，本发明实施例中，所述文本处理模块102将所述标准语音向量与所述标准文本矩阵的每一列进行纵向拼接，得到所述目标矩阵，例如：所述标准文本矩阵的为
所述标准语音向量为
将所述标准语音向量与所述标准文本矩阵的每一列进行纵向拼接，得到所述目标矩阵为
所述语音合成模块103用于对所述目标矩阵进行频谱特征提取，得到频谱特征信息；利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。
为了进一步进行语音合成，本发明实施例还需要确定所述目标矩阵的频谱特征，其中，所述频谱特征可以为Mel频谱。
详细地，本发明实施例中利用训练完成的声学模型对所述目标矩阵进行频谱特征提取，得到所述频谱特征提取。较佳地，所述声学模型可以为transformer模型。
进一步地，本发明实施例中所述语音合成模块103利用训练完成的声学模型对所述目标矩阵进行频谱特征提取之前，还包括：获取历史文本矩阵集；对所述历史文本矩阵集的每个历史文本矩阵进行频谱特征信息标记，得到训练集；利用所述训练集对所述声学模型进行训练，直至所述声学模型收敛，得到所述训练完成的声学模型。其中，所述历史文本矩阵集为多个历史文本矩阵的集合，所述历史文本矩阵为与所述待合成文本不同的文本对应的目标矩阵。
本发明的另一实施例中，为了保证数据的隐私性，所述频谱特征信息可以存储在区块链节点中。
详细地，本发明实施例中所述语音合成模块103将所述频谱特征信息输入至预设的声码器，得到所述合成音频。
较佳地，所述声码器为WORLD声码器。
如图5所示，是本发明实现语音合成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如语音合成程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如语音合成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如语音合成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(perIPheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的语音合成程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；
当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；
对所述文本音素序列进行向量转换，得到文本矩阵；
将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵；
对所述目标矩阵进行频谱特征提取，得到频谱特征信息；
利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；
当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；
对所述文本音素序列进行向量转换，得到文本矩阵；
将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵；
对所述目标矩阵进行频谱特征提取，得到频谱特征信息；
利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。
进一步地，所述计算机可用存储介质可主要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***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种语音合成方法，其特征在于，所述方法包括：
获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；
当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；
对所述文本音素序列进行向量转换，得到文本矩阵；
将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵；
对所述目标矩阵进行频谱特征提取，得到频谱特征信息；
利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。
2.如权利要求1所述的语音合成方法，其特征在于，所述对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量，包括：
对所述样本音频进行声音特征提取转换，得到目标声谱图；
利用预构建的图片分类模型对所述目标声谱图进行特征提取，得到所述标准语音向量。
3.如权利要求2所述的语音合成方法，其特征在于，所述对所述样本音频进行声音特征提取转换，得到目标声谱图，包括：
对所述样本音频进行重采样，得到数字语音信号；
对所述数字语音信号进行预加重，得到标准数字语音信号；
对所述标准数字语音信号进行特征转换，得到所述目标声谱图。
4.如权利要求2所述的语音合成方法，其特征在于，所述利用预构建的图片分类模型对所述目标声谱图进行特征提取，得到所述标准语音向量，包括：
获取所述图片分类模型包含的全连接层的所有节点的输出，得到目标声谱图特征值集；
根据所述全连接层的所有节点的顺序，将所述目标声谱图特征值集中的特征值进行纵向组合，得到标准语音向量。
5.如权利要求3所述的语音合成方法，其特征在于，所述对所述标准数字语音信号进行特征转换，得到所述目标声谱图，包括：
利用预设声音处理算法，将所述标准数字语音信号映射在频域，得到所述目标声谱图。
6.如权利要求1所述的语音合成方法，其特征在于，所述将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵，包括：
利用预设的算法模型计算所述文本音素序列中的每个音素的音素帧长，得到音素帧长序列；
将所述音素帧长序列转换为音素帧长向量；
将所述音素帧长向量和所述文本矩阵进行横向拼接，得到标准文本矩阵；
将所述标准语音向量与所述标准文本矩阵的每一列进行纵向拼接，得到所述目标矩阵。
7.如权利要求1至6中任意一项所述的语音合成方法，其特征在于，所述对所述待合成文本进行音素转换得到文本音素序列，包括：
将所述待合成文本进行标点符号删除，得到标准文本；
利用预设的音标规则标记所述标准文本中的每个字符对应的音素，得到所述文本音素序列。
8.一种语音合成装置，其特征在于，包括：
音频处理模块，用于获取样本音频，对所述样本音频进行声音特征提取转换及向量化处理，得到标准语音向量；
文本处理模块，用于当接收待合成文本时，对所述待合成文本进行音素转换得到文本音素序列；对所述文本音素序列进行向量转换，得到文本矩阵；将所述标准语音向量与所述文本矩阵进行向量拼接，得到目标矩阵；
语音合成模块，用于对所述目标矩阵进行频谱特征提取，得到频谱特征信息；利用预设声码器对所述频谱特征信息进行语音合成，得到合成音频。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序指令，所述计算机程序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如权利要求1至7中任一所述的语音合成方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的语音合成方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011442571.2A CN112397047A (zh) | 2020-12-11 | 2020-12-11 | 语音合成方法、装置、电子设备及可读存储介质 |
| PCT/CN2021/083824 WO2022121176A1 (zh) | 2020-12-11 | 2021-03-30 | 语音合成方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011442571.2A CN112397047A (zh) | 2020-12-11 | 2020-12-11 | 语音合成方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112397047A true CN112397047A (zh) | 2021-02-23 |
Family
ID=74625646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011442571.2A Pending CN112397047A (zh) | 2020-12-11 | 2020-12-11 | 语音合成方法、装置、电子设备及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112397047A (zh) |
| WO (1) | WO2022121176A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112927677A (zh) * | 2021-03-29 | 2021-06-08 | 北京大米科技有限公司 | 语音合成方法和装置 |
| 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 |
| CN113327578A (zh) * | 2021-06-10 | 2021-08-31 | 平安科技（深圳）有限公司 | 一种声学模型训练方法、装置、终端设备及存储介质 |
| CN113436608A (zh) * | 2021-06-25 | 2021-09-24 | 平安科技（深圳）有限公司 | 双流语音转换方法、装置、设备及存储介质 |
| WO2022121176A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技（深圳）有限公司 | 语音合成方法、装置、电子设备及可读存储介质 |
| CN114783406A (zh) * | 2022-06-16 | 2022-07-22 | 深圳比特微电子科技有限公司 | 语音合成方法、装置和计算机可读存储介质 |
| CN116705058A (zh) * | 2023-08-04 | 2023-09-05 | 贝壳找房(北京)科技有限公司 | 多模语音任务的处理方法、电子设备及可读存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11869483B2 (en) * | 2021-10-07 | 2024-01-09 | Nvidia Corporation | Unsupervised alignment for text to speech synthesis using neural networks |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4966048B2 (ja) * | 2007-02-20 | 2012-07-04 | 株式会社東芝 | 声質変換装置及び音声合成装置 |
| US10186252B1 (en) * | 2015-08-13 | 2019-01-22 | Oben, Inc. | Text to speech synthesis using deep neural network with constant unit length spectrogram |
| CN111161702B (zh) * | 2019-12-23 | 2022-08-26 | 爱驰汽车有限公司 | 个性化语音合成方法、装置、电子设备、存储介质 |
| CN112002305B (zh) * | 2020-07-29 | 2024-06-18 | 北京大米科技有限公司 | 语音合成方法、装置、存储介质及电子设备 |
| CN112397047A (zh) * | 2020-12-11 | 2021-02-23 | 平安科技（深圳）有限公司 | 语音合成方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-12-11 CN CN202011442571.2A patent/CN112397047A/zh active Pending
-
2021
- 2021-03-30 WO PCT/CN2021/083824 patent/WO2022121176A1/zh active Application Filing
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022121176A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技（深圳）有限公司 | 语音合成方法、装置、电子设备及可读存储介质 |
| 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 |
| CN112927677A (zh) * | 2021-03-29 | 2021-06-08 | 北京大米科技有限公司 | 语音合成方法和装置 |
| CN113327578A (zh) * | 2021-06-10 | 2021-08-31 | 平安科技（深圳）有限公司 | 一种声学模型训练方法、装置、终端设备及存储介质 |
| CN113327578B (zh) * | 2021-06-10 | 2024-02-02 | 平安科技（深圳）有限公司 | 一种声学模型训练方法、装置、终端设备及存储介质 |
| CN113436608A (zh) * | 2021-06-25 | 2021-09-24 | 平安科技（深圳）有限公司 | 双流语音转换方法、装置、设备及存储介质 |
| CN113436608B (zh) * | 2021-06-25 | 2023-11-28 | 平安科技（深圳）有限公司 | 双流语音转换方法、装置、设备及存储介质 |
| CN114783406A (zh) * | 2022-06-16 | 2022-07-22 | 深圳比特微电子科技有限公司 | 语音合成方法、装置和计算机可读存储介质 |
| CN116705058A (zh) * | 2023-08-04 | 2023-09-05 | 贝壳找房(北京)科技有限公司 | 多模语音任务的处理方法、电子设备及可读存储介质 |
| CN116705058B (zh) * | 2023-08-04 | 2023-10-27 | 贝壳找房(北京)科技有限公司 | 多模语音任务的处理方法、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022121176A1 (zh) | 2022-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112397047A (zh) | 语音合成方法、装置、电子设备及可读存储介质 | |
| CN112086086B (zh) | 语音合成方法、装置、设备及计算机可读存储介质 | |
| CN109686361B (zh) | 一种语音合成的方法、装置、计算设备及计算机存储介质 | |
| CN112466273A (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN111862937A (zh) | 歌声合成方法、装置及计算机可读存储介质 | |
| CN113345431B (zh) | 跨语言语音转换方法、装置、设备及介质 | |
| CN112820269B (zh) | 文本转语音方法、装置、电子设备及存储介质 | |
| CN112951203B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN113096242A (zh) | 虚拟主播生成方法、装置、电子设备及存储介质 | |
| CN113205814B (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
| CN112509554A (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
| CN113420556A (zh) | 基于多模态信号的情感识别方法、装置、设备及存储介质 | |
| CN112951233A (zh) | 语音问答方法、装置、电子设备及可读存储介质 | |
| CN114863945A (zh) | 基于文本的语音变声方法、装置、电子设备及存储介质 | |
| CN113887200A (zh) | 文本变长纠错方法、装置、电子设备及存储介质 | |
| CN114155832A (zh) | 基于深度学习的语音识别方法、装置、设备及介质 | |
| CN113707124A (zh) | 话术语音的联动播报方法、装置、电子设备及存储介质 | |
| CN112201253A (zh) | 文字标记方法、装置、电子设备及计算机可读存储介质 | |
| CN112489628A (zh) | 语音数据选择方法、装置、电子设备及存储介质 | |
| CN116564322A (zh) | 语音转换方法、装置、设备及存储介质 | |
| CN113555003B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
| CN114842880A (zh) | 智能客服语音节奏调节方法、装置、设备及存储介质 | |
| CN115631748A (zh) | 基于语音对话的情感识别方法、装置、电子设备及介质 | |
| CN113160793A (zh) | 基于低资源语言的语音合成方法、装置、设备及存储介质 |
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 |