CN112908292B - 文本的语音合成方法、装置、电子设备及存储介质 - Google Patents
文本的语音合成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112908292B CN112908292B CN201911134833.6A CN201911134833A CN112908292B CN 112908292 B CN112908292 B CN 112908292B CN 201911134833 A CN201911134833 A CN 201911134833A CN 112908292 B CN112908292 B CN 112908292B
- Authority
- CN
- China
- Prior art keywords
- text
- role
- style
- voice
- dialog
- 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
- 238000001308 synthesis method Methods 0.000 title abstract description 16
- 230000005012 migration Effects 0.000 claims abstract description 54
- 238000013508 migration Methods 0.000 claims abstract description 54
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 45
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000002194 synthesizing effect Effects 0.000 claims 4
- 239000000463 material Substances 0.000 abstract description 12
- 238000009877 rendering Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000001960 triggered 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
-
- 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
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
本实施例提供的文本的语音合成方法、装置、电子设备及存储介质，通过识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音的方案，从而使得基于合成语音的有声读物中的不同人物的语音演绎风格更加多样化，提高了有声读物对于情景的渲染能力，有助于提高用户对于有声读物的兴趣。
Description
技术领域
本公开实施例涉及大数据处理领域，尤其涉及一种文本的语音合成方法、装置、电子设备及存储介质。
背景技术
有声读物以其使用简单、便捷、不受使用环境限制等优点，被越来越多的人们所接受，成为人们主要的阅读方式之一。
在现有技术中，有声读物主要为有声小说，而有声小说的生成是依靠于语音合成技术的。具体的，可预先录制语音语料库，并基于小说的文本内容将文本转换为语音并输出给用户。
但是，现有的文本语音转换过程中，仅能按照小说文本中文字的读音，将文字转换为相应读音的语音，对于不同人物的包括语速、语调、转音在内的语音的演绎风格并无明显区别。这将使得用户在收听现有的有声读物时，有声读物的情景渲染能力较差，风格较为单一，趣味性和乐趣性不足，影响用户体验。
发明内容
针对上述问题，本公开提供了一种文本的语音合成方法、装置、电子设备及存储介质。
第一方面，本公开实施例提供一种文本的语音合成方法，包括：
识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；
根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；
将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音。
第二方面，本公开实施例提供一种文本的语音合成装置，包括：
识别模块，用于识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；
语音转换模块，用于根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；
风格转换模块，用于将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音。
第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的文本的语音合成方法。
第四方面，本公开实施例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计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的文本的语音合成方法。
本实施例提供的文本的语音合成方法、装置、电子设备及存储介质，通过识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音的方案，从而使得基于合成语音的有声读物中的不同人物的语音演绎风格更加多样化，提高了有声读物对于情景的渲染能力，有助于提高用户对于有声读物的兴趣。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开所基于的网络架构的示意图；
图2为本公开实施例提供的一种文本的语音合成方法的流程示意图；
图3为本公开实施例提供的一种文本的语音合成方法的界面示意图
图4为本公开实施例提供的文本的语音合成装置的结构框图；
图5为本公开实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
有声读物以其使用简单、便捷、不受使用环境限制等优点，被越来越多的人们所接受，成为人们主要的阅读方式之一。
在现有技术中，有声读物主要为有声小说，而有声小说的生成是依靠于语音合成技术的。具体的，可预先录制语音语料库，并基于小说的文本内容将文本转换为语音并输出给用户。
但是，现有的文本语音转换过程中，仅能按照小说文本中文字的读音，将文字转换为相应读音的语音，对于不同人物的包括语速、语调、转音在内的语音的演绎风格并无明显区别。这将使得用户在收听现有的有声读物时，有声读物的情景渲染能力较差，风格较为单一，趣味性和乐趣性不足，影响用户体验。
针对上述问题，本公开提供了一种文本的语音合成方法、装置、电子设备及存储介质。
参考图1，图1为本公开所基于的网络架构的示意图，如图1所示的，本公开基于的一种网络架构可包括文本的语音合成装置2以及各终端1。
其中，文本的语音合成装置2是可与各终端1通过网络进行交互的硬件或软件，其可用于执行下述各实施例中所述的文本的语音合成方法。
当文本的语音合成装置1为硬件时，包括具备运算功能的云端服务器。当文本的语音合成装置1为软件时，其可以安装在具备运算功能的电子设备中，其中的电子设备包括但不限于膝上型便携计算机和台式计算机等等。
此外，终端1是指包括智能手机、平板电脑、台式计算机等在内的可与前述的文本的语音合成装置2通过网络进行通信和信息交互的设备。
例如，在有声读物的语音合成这一实际场景中，文本的语音合成装置2具体可加载在有声读物的运行服务器中，一般的该运行服务器中将存储有大量可转化为有声读物的读物文本信息。该运行服务器可与终端1进行交互，以根据接收用户的读物收听请求，并确定用户触发的想要收听的目标读物。随后，文本的语音合成装置2可采用本公开提供的文本的语音合成方法对该目标读物的文本信息进行处理，以确定文本信息中每一对话所归属的人物并确定每一对话的情感标签，并将文本信息转为语音信息，进而可便于运行服务器基于对话归属对文本信息进行文本语音转换处理，并将处理后的有声读物的发送给终端1。
当然，在可选场景下，该文本的语音合成装置2可预先对运行服务器中的已有的全部文本信息进行处理，以使运行服务器可预先将有声读物的文本转换为语音并存储，进而可在运行服务器接收到终端发起的收听请求时，可直接将相应的有声读物的语音和文本发送给用户，以供用户收听。
需要说明的是，基于不同的应用场景，上述的运行服务器还可存储有其他类型的文本信息，且运行服务器、文本的语音合成装置以及终端之间还可存在其他交互方式，本公开对此不进行不限制。
第一方面，参考图2，图2为本公开实施例提供的一种文本的语音合成方法的流程示意图。本公开实施例提供的文本的语音合成方法，包括：
步骤101、识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色。
需要说明的是，本示例的提供的语音合成方法的执行主体为前述的语音合成装置。
语音合成装置将会从前述的运行服务器中获取到有声读物的待处理文本，一般来说，有声读物的文本的文本数据量较大。在本公开示例中，可首先对于有声读物的文本进行拆分处理，以获得数据量较为适合进行处理的多个待处理文本，以供语音合成装置一一进行处理。其中，拆分处理可基于文本自身的文本架构，如段落架构，章节架构等等，还可基于语法语义，如表示相同意思或剧情的连续的多个语段等。
随后，语音合成装置将对每一待处理文本进行相应处理。其中该语音合成装置首先会对获得待处理文本进行识别处理，以获得其中的至少一段对话的对话文本，以及所述待处理文本中的至少一个角色。
具体的，可采用正则表达式确定待处理文本中的每段对话在待处理文本中的位置，并根据各位置提取对应的对话文本。其中，正则表达式是一种可用于基于预设规则对文本中特定信息进行检索的规则表达式，在本实施例中，可利用预设的正则表达式对待处理文本中的对话文本和角色进行检索。例如，一般的对话会利用引号进行引出，因此，可设置相应的正则表达式以确定引号在文本信息中的位置，以作为对话所在的位置；又例如，有些对话会以“某人物说”作为提示，因此，可设置相应的正则表达式以确定“某人物说”在文本中的位置，并基于该位置确定对话在文本信息中的位置，而当语音合成装置获得各对话的位置之后，还将基于对话的位置提取对话的对话信息。
语音合成装置还将采用命名实体识别确定待处理文本中的出现的至少一个角色。命名实体识别技术是一种从文本中识别出命名性质的内容的技术，其识别范围包括人名、地名、机构名、专有名词等。在本实施例中，语音合成装置将利用该命实体识别技术以识别出文本信息中出现人物的人物信息，即人物名称。
当语音合成装置获取到待处理文本中出现的对话和角色之后，还将确定其之间的关联关系，即确定每一对话所归属的角色。具体的，语音合成装置可根据各角色出现的次数以及在所述待处理文本中出现的位置，确定每段对话与所述各角色之间的关联关系，确定每段对话所归属的角色。例如，针对每一对话，当某一橘色在文本中出现的位置与该对话出现的位置越接近时，其该对话与该角色之间的关联度越大，即其二者呈现归属关系的可能性越高；反之，当该对话与该角色的位置距离越远，该对话与该角色之间的关联度越小，即其二者呈现归属关系的可能性越低。又例如，当某一角色在文本中出现的次数越多，其各对话与该角色之间的关联度越大，即其二者呈现归属关系的可能性越高；反之，当某一角色在文本中出现的次数越少，其各对话与该角色之间的关联度越小，即其二者呈现归属关系的可能性越低。因此，通过上述方式，语音合成装置将确定每一对话所归属的角色。
步骤102、根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据。
具体来说，与现有技术类似的是，在本公开实施例中，考虑到不同年龄段以及不同性别，不同角色将具备不同的音色特征，例如，孩童音色一般较为清脆，年龄较大的人的音色较为浑浊，而女孩的音色音频较高，男性音色音频较低。一般的，将会针对不同音色特征，预置相应的语音语料，并将这些语音语料存储在语音预料库中，其包括但不限于孩童音色、女孩音色、老年男性音色等等。
而在利用语音合成装置根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据时，可采用如下方法：在预设的语音预料库中确定具备每个角色的音色特征的语音语料，根据每个角色的语音语料，基于其角色对应的各对话的对话文本，生成每段对话的语音数据。
步骤103、将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音。
在步骤102中生成的语音数据将不具备任何的演绎风格，即其语音数据中仅包括有角色的原始的音色特征。而在步骤103处理后获得的合成语音，则将使得角色的语音数据具备一定的演绎风格，该演绎风格包括但不限于：播音腔、相声腔、美声腔、戏剧腔等等。
本公开实施例利用了训练完毕的音频风格迁移模型，实现了将语音数据赋予风格参数的功能。具体来说，针对某一有声读物的文本，或，有声读物中的某一角色的全部对话，或，有声读物中某一对话，语音合成装置可获取针对目标语音数据的风格参数，一般的，风格参数可包括有音调、语速、重音特征、转音特征、发音特征等参数。而通过将音频数据和风格参数输入至训练完毕的音频风格迁移模型，以使该音频风格迁移模型能够将风格参数所描述的风格迁移至音频数据中，以使迁移后的音频数据具体风格参数所描述的演绎风格，即获得具备风格参数所描述的演绎风格的合成语音。
此外，前述的音频风格迁移模型具体可为神经网络模型，相应的，本方法还包括：建立音频风格迁移模型，并获取训练语音数据；其中所述训练语音数据包括多种风格参数以及每种风格参数所对应的至少一段对话的语音数据；采用所述训练语音数据对音频风格迁移模型进行训练，以使所述音频风格迁移模型提取风格参数对应的语音数据的风格特征，并建立所述风格参数和风格特征之间的关联关系，获得训练训练完毕的音频风格迁移模型。
图3为本公开实施例提供的一种文本的语音合成方法的界面示意图，如图3所示的，文本的语音合成装置会将在获得合成语音之后，还将基于该合成语音获得的有声读物的文本以及语音一并发送至终端，以使终端在显示界面显示文本，并将语音输出给用户。
本实施例提供的文本的语音合成方法，通过识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音的方案，从而使得基于合成语音的有声读物中的不同人物的语音演绎风格更加多样化，提高了有声读物对于情景的渲染能力，有助于提高用户对于有声读物的兴趣。
对应于上文实施例的文本的语音合成方法，图4为本公开实施例提供的文本的语音合成装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图4，所述文本的语音合成装置包括：识别模块10、语音转换模块20、风格转换模块30。
识别模块10，用于识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；
语音转换模块20，用于根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；
风格转换模块30，用于将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音。
在本公开提供的可选实施例中，还包括：训练模块；
所述训练模块，用于建立音频风格迁移模型，并获取训练语音数据；其中所述训练语音数据包括多种风格参数以及每种风格参数所对应的至少一段对话的语音数据；采用所述训练语音数据对音频风格迁移模型进行训练，以使所述音频风格迁移模型提取风格参数对应的语音数据的风格特征，并建立所述风格参数和风格特征之间的关联关系，获得训练训练完毕的音频风格迁移模型。
在本公开提供的可选实施例中，所述语音预料库中存储有多种音色特征的语音语料；
语音转换模块20，具体用于在预设的语音预料库中确定具备每个角色的音色特征的语音语料；根据每个角色的语音语料，基于其角色对应的各对话的对话文本，生成每段对话的语音数据。
在本公开提供的可选实施例中，所述识别模块10，具体用于：识别获得待处理文本中的至少一段对话的对话文本，以及所述待处理文本中的至少一个角色；根据所述每段对话与所述各角色的关联关系，确定对话所归属的角色。
在本公开提供的可选实施例中，所述识别模块10，具体用于采用正则表达式确定待处理文本中的每段对话在待处理文本中的位置，并根据各位置提取对应的对话文本；采用命名实体识别确定待处理文本中的出现的至少一个角色。
本实施例提供的文本的语音合成装置，通过识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音的方案，从而使得基于合成语音的有声读物中的不同人物的语音演绎风格更加多样化，提高了有声读物对于情景的渲染能力，有助于提高用户对于有声读物的兴趣。
本实施例提供的电子设备，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
参考图5，其示出了适于用来实现本公开实施例的电子设备900的结构示意图，该电子设备900可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(Portable MediaPlayer，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(Read Only Memory，简称ROM)902中的程序或者从存储装置908加载到随机访问存储器(Random Access Memory，简称RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常，以下装置可以连接至I/O接口905：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906；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备900，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。
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909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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。
上述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，使得该电子设备执行上述实施例所示的方法。
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操作的计算机程序代码，上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(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称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。
描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以下是本公开的一些实施例。
第一方面，根据本公开的一个或多个实施例，一种文本的语音合成方法，包括：
识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；
根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；
将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音。
在本公开提供的可选实施例中，还包括：
建立音频风格迁移模型，并获取训练语音数据；其中所述训练语音数据包括多种风格参数以及每种风格参数所对应的至少一段对话的语音数据；
采用所述训练语音数据对音频风格迁移模型进行训练，以使所述音频风格迁移模型提取风格参数对应的语音数据的风格特征，并建立所述风格参数和风格特征之间的关联关系，获得训练训练完毕的音频风格迁移模型。
在本公开提供的可选实施例中，所述语音预料库中存储有多种音色特征的语音语料；
相应的，所述根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据，包括：
在预设的语音预料库中确定具备每个角色的音色特征的语音语料；
根据每个角色的语音语料，基于其角色对应的各对话的对话文本，生成每段对话的语音数据。
在本公开提供的可选实施例中，所述识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色，包括：
识别获得待处理文本中的至少一段对话的对话文本，以及所述待处理文本中的至少一个角色；
根据所述每段对话与所述各角色的关联关系，确定对话所归属的角色。
在本公开提供的可选实施例中，所述识别获得待处理文本中的至少一段对话的对话文本，以及所述待处理文本中的至少一个角色，包括：
采用正则表达式确定待处理文本中的每段对话在待处理文本中的位置，并根据各位置提取对应的对话文本；
采用命名实体识别确定待处理文本中的出现的至少一个角色。
在本公开提供的可选实施例中，所述根据所述每段对话与所述各角色的关联关系，确定对话所归属的角色，包括：
根据各角色出现的次数以及在所述待处理文本中出现的位置，确定每段对话与所述各角色之间的关联关系，确定每段对话所归属的角色。
第二方面，根据本公开的一个或多个实施例，一种文本的语音合成装置，包括：
识别模块，用于识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；
语音转换模块，用于根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；
风格转换模块，用于将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音。
在本公开提供的可选实施例中，还包括：训练模块；
所述训练模块，用于建立音频风格迁移模型，并获取训练语音数据；其中所述训练语音数据包括多种风格参数以及每种风格参数所对应的至少一段对话的语音数据；采用所述训练语音数据对音频风格迁移模型进行训练，以使所述音频风格迁移模型提取风格参数对应的语音数据的风格特征，并建立所述风格参数和风格特征之间的关联关系，获得训练训练完毕的音频风格迁移模型。
在本公开提供的可选实施例中，所述语音预料库中存储有多种音色特征的语音语料；
语音转换模块，具体用于在预设的语音预料库中确定具备每个角色的音色特征的语音语料；根据每个角色的语音语料，基于其角色对应的各对话的对话文本，生成每段对话的语音数据。
在本公开提供的可选实施例中，所述识别模块，具体用于：识别获得待处理文本中的至少一段对话的对话文本，以及所述待处理文本中的至少一个角色；根据所述每段对话与所述各角色的关联关系，确定对话所归属的角色。
在本公开提供的可选实施例中，所述识别模块，具体用于采用正则表达式确定待处理文本中的每段对话在待处理文本中的位置，并根据各位置提取对应的对话文本；采用命名实体识别确定待处理文本中的出现的至少一个角色。
第三方面，根据本公开的一个或多个实施例，一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如前所述的文本的语音合成方法。
第四方面，根据本公开的一个或多个实施例，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计算机执行指令，当处理器执行所述计算机执行指令时，实现如前所述的文本的语音合成方法。
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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (14)
1.一种文本的语音合成方法，其特征在于，包括：
识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；
根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；
将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音；
其中，所述音频风格迁移模型中具有风格参数和风格特征之间的关联关系。
2.根据权利要求1所述的文本的语音合成方法，其特征在于，还包括：
建立音频风格迁移模型，并获取训练语音数据；其中所述训练语音数据包括多种风格参数以及每种风格参数所对应的至少一段对话的语音数据；
采用所述训练语音数据对音频风格迁移模型进行训练，以使所述音频风格迁移模型提取风格参数对应的语音数据的风格特征，并建立所述风格参数和风格特征之间的关联关系，获得训练完毕的音频风格迁移模型。
3.根据权利要求1所述的文本的语音合成方法，其特征在于，所述语音预料库中存储有多种音色特征的语音语料；
相应的，所述根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据，包括：
在预设的语音预料库中确定具备每个角色的音色特征的语音语料；
根据每个角色的语音语料，基于其角色对应的各对话的对话文本，生成每段对话的语音数据。
4.根据权利要求1所述的文本的语音合成方法，其特征在于，所述识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色，包括：
识别获得待处理文本中的至少一段对话的对话文本，以及所述待处理文本中的至少一个角色；
根据所述每段对话与各角色的关联关系，确定对话所归属的角色。
5.根据权利要求4所述的文本的语音合成方法，其特征在于，所述识别获得待处理文本中的至少一段对话的对话文本，以及所述待处理文本中的至少一个角色，包括：
采用正则表达式确定待处理文本中的每段对话在待处理文本中的位置，并根据各位置提取对应的对话文本；
采用命名实体识别确定待处理文本中的出现的至少一个角色。
6.根据权利要求4所述的文本的语音合成方法，其特征在于，所述根据所述每段对话与各角色的关联关系，确定对话所归属的角色，包括：
根据各角色出现的次数以及在所述待处理文本中出现的位置，确定每段对话与所述各角色之间的关联关系，确定每段对话所归属的角色。
7.一种文本的语音合成装置，其特征在于，包括：
识别模块，用于识别获得待处理文本中的至少一段对话的对话文本以及其所归属的角色；
语音转换模块，用于根据预设的语音预料库确定每个角色的语音语料，并将每段对话的对话文本转换为相应的语音数据；
风格转换模块，用于将每个角色的对话的语音数据，以及获取的该角色的风格参数输入至训练完毕的音频风格迁移模型，以使所述训练完毕的音频风格迁移模型根据所述风格参数调整该角色对应的各语音数据的演绎风格，获得该角色对应的合成语音；
其中，所述音频风格迁移模型中具有风格参数和风格特征之间的关联关系。
8.根据权利要求7所述的文本的语音合成装置，其特征在于，还包括：训练模块；
所述训练模块，用于建立音频风格迁移模型，并获取训练语音数据；其中所述训练语音数据包括多种风格参数以及每种风格参数所对应的至少一段对话的语音数据；采用所述训练语音数据对音频风格迁移模型进行训练，以使所述音频风格迁移模型提取风格参数对应的语音数据的风格特征，并建立所述风格参数和风格特征之间的关联关系，获得训练完毕的音频风格迁移模型。
9.根据权利要求7所述的文本的语音合成装置，其特征在于，所述语音预料库中存储有多种音色特征的语音语料；
语音转换模块，具体用于在预设的语音预料库中确定具备每个角色的音色特征的语音语料；根据每个角色的语音语料，基于其角色对应的各对话的对话文本，生成每段对话的语音数据。
10.根据权利要求7所述的文本的语音合成装置，其特征在于，所述识别模块，具体用于：识别获得待处理文本中的至少一段对话的对话文本，以及所述待处理文本中的至少一个角色；根据所述每段对话与各角色的关联关系，确定对话所归属的角色。
11.根据权利要求10所述的文本的语音合成装置，其特征在于，所述识别模块，具体用于采用正则表达式确定待处理文本中的每段对话在待处理文本中的位置，并根据各位置提取对应的对话文本；采用命名实体识别确定待处理文本中的出现的至少一个角色。
12.根据权利要求10所述的文本的语音合成装置，其特征在于，所述识别模块，具体用于根据各角色出现的次数以及在所述待处理文本中出现的位置，确定每段对话与所述各角色之间的关联关系，确定每段对话所归属的角色。
13.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-6任一项所述的文本的语音合成方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-6任一项所述的文本的语音合成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911134833.6A CN112908292B (zh) | 2019-11-19 | 2019-11-19 | 文本的语音合成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911134833.6A CN112908292B (zh) | 2019-11-19 | 2019-11-19 | 文本的语音合成方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112908292A CN112908292A (zh) | 2021-06-04 |
| CN112908292B true CN112908292B (zh) | 2023-04-07 |
Family
ID=76103459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911134833.6A Active CN112908292B (zh) | 2019-11-19 | 2019-11-19 | 文本的语音合成方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112908292B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113539235B (zh) * | 2021-07-13 | 2024-02-13 | 标贝(青岛)科技有限公司 | 文本分析与语音合成方法、装置、***及存储介质 |
| CN113779958A (zh) * | 2021-08-09 | 2021-12-10 | 北京搜狗科技发展有限公司 | 文本处理方法及装置、辅助阅读方法及装置 |
| CN113990286A (zh) * | 2021-10-29 | 2022-01-28 | 北京大学深圳研究院 | 语音合成方法、装置、设备及存储介质 |
| CN114390220B (zh) * | 2022-01-19 | 2023-12-08 | 中国平安人寿保险股份有限公司 | 一种动画视频生成方法及相关装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015092936A1 (ja) * | 2013-12-20 | 2015-06-25 | 株式会社東芝 | 音声合成装置、音声合成方法およびプログラム |
| CN105304080B (zh) * | 2015-09-22 | 2019-09-03 | 科大讯飞股份有限公司 | 语音合成装置及方法 |
| CN108091321B (zh) * | 2017-11-06 | 2021-07-16 | 芋头科技（杭州）有限公司 | 一种语音合成方法 |
| CN107705783B (zh) * | 2017-11-27 | 2022-04-26 | 北京搜狗科技发展有限公司 | 一种语音合成方法及装置 |
| US10418025B2 (en) * | 2017-12-06 | 2019-09-17 | International Business Machines Corporation | System and method for generating expressive prosody for speech synthesis |
| CN109979430B (zh) * | 2017-12-28 | 2021-04-20 | 深圳市优必选科技有限公司 | 一种机器人讲故事的方法、装置、机器人及存储介质 |
| CN109272984A (zh) * | 2018-10-17 | 2019-01-25 | 百度在线网络技术（北京）有限公司 | 用于语音交互的方法和装置 |
| CN109523988B (zh) * | 2018-11-26 | 2021-11-05 | 安徽淘云科技股份有限公司 | 一种文本演绎方法及装置 |
| CN110148398A (zh) * | 2019-05-16 | 2019-08-20 | 平安科技（深圳）有限公司 | 语音合成模型的训练方法、装置、设备及存储介质 |
-
2019
- 2019-11-19 CN CN201911134833.6A patent/CN112908292B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112908292A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112908292B (zh) | 文本的语音合成方法、装置、电子设备及存储介质 | |
| US11727914B2 (en) | Intent recognition and emotional text-to-speech learning | |
| CN111583900B (zh) | 歌曲合成方法、装置、可读介质及电子设备 | |
| US10614803B2 (en) | Wake-on-voice method, terminal and storage medium | |
| CN112489620B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112786006B (zh) | 语音合成方法、合成模型训练方法、装置、介质及设备 | |
| CN111369971B (zh) | 语音合成方法、装置、存储介质和电子设备 | |
| CN111369967B (zh) | 基于虚拟人物的语音合成方法、装置、介质及设备 | |
| US20240021202A1 (en) | Method and apparatus for recognizing voice, electronic device and medium | |
| CN111402843B (zh) | 说唱音乐生成方法、装置、可读介质及电子设备 | |
| CN110197655B (zh) | 用于合成语音的方法和装置 | |
| CN107707745A (zh) | 用于提取信息的方法和装置 | |
| CN112786007A (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112927674B (zh) | 语音风格的迁移方法、装置、可读介质和电子设备 | |
| CN111489735B (zh) | 语音识别模型训练方法及装置 | |
| US20210082396A1 (en) | A highly empathetic its processing | |
| CN113257218B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN111782576B (zh) | 背景音乐的生成方法、装置、可读介质、电子设备 | |
| CN111798821A (zh) | 声音转换方法、装置、可读存储介质及电子设备 | |
| CN112786008A (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112765971A (zh) | 文本语音的转换方法、装置、电子设备及存储介质 | |
| JP2022133392A (ja) | 音声合成方法、装置、電子機器及び記憶媒体 | |
| CN114495902A (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
| CN113421550A (zh) | 语音合成方法、装置、可读介质及电子设备 | |
| CN112785667A (zh) | 视频生成方法、装置、介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |