CN113555003A - 语音合成方法、装置、电子设备及存储介质 - Google Patents
语音合成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113555003A CN113555003A CN202110835125.6A CN202110835125A CN113555003A CN 113555003 A CN113555003 A CN 113555003A CN 202110835125 A CN202110835125 A CN 202110835125A CN 113555003 A CN113555003 A CN 113555003A
- Authority
- CN
- China
- Prior art keywords
- voice
- text
- feature
- speech
- synthesis
- 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.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 113
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 109
- 238000001308 synthesis method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000006243 chemical reaction Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 62
- 238000001228 spectrum Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation 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
- G10L13/08—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
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及语音语义领域,揭露了一种语音合成方法,包括:利用语音合成模型对待合成文本进行语音合成,得到待合成文本的文本语音;获取用户语音,对用户语音进行特征提取,得到特征用户语音;利用语音转换模型中的编码器提取文本语音的语义特征,及特征用户语音的声纹特征,并利用语音转换模型中的解码器对语义特征和声纹特征进行特征融合,得到融合特征;利用声码器对融合特征进行音频合成,得到音频合成结果。另外,本发明还提出一种语音合成装置、电子设备以及计算机可读存储介质。此外,本发明还涉及区块链技术,所述音频合成结果可存储于区块链中。本发明可以实现任意用户语音与文本语音的合成,满足用户个性化的文本语音音色定制需求。
Description
技术领域
本发明涉及语音语义领域,尤其涉及一种语音合成方法、装置、电子设备及计算机可读存储介质。
背景技术
语音合成(Text-To-Speech,TTS)是指通过文字人工生成人类的声音,也就是让设备根据相应的输入文本发出语音,近年来,神经语音合成(Text-to-Speech,TTS)***高速发展,摆脱了传统pipline冗杂的合成流程,不再依赖高度专业的文法、词法特征提取,而是将原始文本经过神经网络转成梅尔谱,再将梅尔谱转成声音波形,实现了端到端的语音合成***,所合成的语音质量近似人声,其在人工智能行业有着非常重要的应用,比如语音助手和各种场景的翻译、有声读物、新闻播报、AI电话和AI主播等。
目前在生产生活中,虽然语音合成技术已经有各种形式的产品的落地,但是传统的语音合成技术只能针对单一的或者有限的说话人音色进行合成,而无法合成从未参与过训练的说话人音色的语音,从而带来仅能合成有限说话人的音色语音的局限性。
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,其主要目的在于实现任意用户语音与文本语音的合成,满足用户个性化的文本语音音色定制需求。
为实现上述目的,本发明提供的一种语音合成方法,包括:
利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音;
获取用户语音,对所述用户语音进行特征提取,得到特征用户语音;
利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征;
利用声码器对所述融合特征进行音频合成,得到音频合成结果。
可选地,所述利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音,包括:
利用所述语音合成模型中的编码层对所述待合成文本进行向量编码,得到文本向量;
利用所述语音合成模型中的注意力机制提取所述文本向量的声音频谱;
利用所述语音合成模型中的全连接层输出所述声音频谱,得到所述待合成文本的文本语音。
可选地,所述利用所述语音合成模型中的编码层对所述待合成文本进行向量编码,得到文本向量,包括:
利用所述编码层中词嵌入模块对所述待合成文本中的词语进行向量转换,得到所述待合成文本的词向量;
利用所述编码层中的索引编码模块对所述词向量构建索引矩阵,得到词向量矩阵;
利用所述编码层中的激活函数激活所述词向量矩阵,得到所述待合成文本的文本向量。
可选地,所述所述语音合成模型中的注意力机制提取所述文本向量的声音频谱包括:
利用所述注意力机制中的卷积模块对所述文本向量进行特征提取,得到特征文本向量;
利用所述注意力机制中的自注意力模块提取所述特征文本向量的音素信息序列;
利用所述注意力机制中的激活函数激活所述音素信息序列,得到所述文本向量的声音频谱。
可选地,所述对所述用户语音进行特征提取,得到特征用户语音包括:
对所述用户语音进行预处理,并将预处理后的所述用户语音进行短时傅里叶变换,得到所述用户语音的初始特征语音;
对所述初始特征语音进行梅尔谱滤波,并将梅尔谱滤波后的初始特征语音进行倒谱分析,得到特征用户语音。
可选地,所述利用所述语音转换模型中的编码器提取所述文本语音的语义特征,包括:
利用所述编码器中的卷积层对所述文本语音进行卷积处理,得到卷积文本语音;
利用所述编码器中的归一化层对所述卷积文本语音进行实例归一化,得到归一化文本语音;
利用所述编码器中的激活函数输出所述归一化文本语音的语义特征。
可选地,所述利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,包括:
利用下述公式对所述语义特征和所述声纹特征进行特征融合:
AdaIN(H,μ(X),σ(X))=σ(X)IN(H)+μ(X)
其中,AdaIN(H,μ(X),σ(X))表示融合特征,H表示语义特征和声纹特征,μ(X)表示语义特征和声纹特征的融合特征X均值函数,σ(X)表示语义特征和声纹特征的融合特征X标准差函数,IN(H)表示语义特征和声纹特征的归一化函数。
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:
文本语音合成模块,用于利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音;
语音特征提取模块,用于获取用户语音,对所述用户语音进行特征提取,得到特征用户语音;
语音融合模块,用于利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征;
音频特征合成模块,用于利用声码器对所述融合特征进行音频合成,得到音频合成结果。
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:
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,所述计算机程序被所述至少一个处理器执行,以实现上述的语音合成方法。
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的语音合成方法。
本发明实施例首先利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音,可以将所述待合成文本中的数据转换成语音,从而可以保障后续与任意用户语音进行语音融合的前提,并对获取的用户语音进行特征提取,得到特征用户语音,可以提取出所述用户语音的特征音频信号,提高后续音频的处理速度;其次,本发明实施例利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征,可以实现文本语音和用户语音的特征融合,以使可以通过任意用户语音的声纹表征文本语音的语义,从而可以满足用户个性化的文本音色定制需求;进一步地,本发明实施例利用声码器对所述融合特征进行音频合成,得到音频合成结果,可以通过任意用户语音的音色表征待合成文本的文本语音,形成待合成文本的定制化用户个性文本语音。因此,本发明提出的一种语音合成方法、装置、电子设备以及计算机可读存储介质可以实现任意用户语音与文本语音的合成,满足用户个性化的文本语音音色定制需求。
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为本申请一实施例中图1提供的一种摄像头访问方法的其中一个步骤流程示意图;
图3为本发明一实施例提供的语音合成装置的模块示意图;
图4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发明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,为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、利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音。
本发明实施例中,所述待合成文本是指需要进行语音转换的文本语料,如会议文本、宣传文本以及教育文本等,所述语音合成模型(Text To Speech,TTS)是指用于将文本转换成语音的模型,在本发明中,所述语音合成模型通过TACOTRON网络构建,其包括:编码层、注意力机制以及全连接层,所述编码层用于对所述待合成文本进行向量位置编码,以将所述待合成文本转换成文本向量,及记录文本向量的位置信息,所述注意力机制用于对所述文本向量进行音频特征提取,以生成声音频谱,所述全连接层用于输出所述声音频谱,以生成文本语音。
作为本发明的一个实施例,参阅图2示,所述利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音,包括:
S201、利用所述语音合成模型中的编码层对所述待合成文本进行向量编码,得到文本向量;
S202、利用所述语音合成模型中的注意力机制提取所述文本向量的声音频谱;
S203、利用所述语音合成模型中的全连接层输出所述声音频谱,得到所述待合成文本的文本语音。
本发明一可选实施例中,通过所述语音合成模型中的编码层对所述待合成文本进行向量编码,以将所述待合成文本的数据转换成模型可以识别的数据。
具体的,所述利用所述语音合成模型中的编码层对所述待合成文本进行向量编码,得到文本向量,包括:利用所述编码层中词嵌入模块对所述待合成文本中的词语进行向量转换,得到所述待合成文本的词向量,利用所述编码层中的索引编码模块对所述词向量构建索引矩阵,得到词向量矩阵,利用所述编码层中的激活函数激活所述词向量矩阵,得到所述待合成文本的文本向量。其中,所述待合成文本中的词语可以通过分词算法识别,所述词语的向量转换可以通过所述词嵌入模块中的向量转换算法实现,如Word2vec算法。
进一步地,本发明又一实施例中,所述利用所述编码层中的索引编码模块对所述词向量构建索引矩阵,得到词向量矩阵,包括:利用所述索引编码模块对所述词向量进行索引编码,得到词编码索引;并根据所述词编码索引,构建词向量矩阵。其中,所述索引编码基于不同用户需求设置,比如,所述词向量包括:[0,1,0],[1,1,0],[0,1,1],对所述[0,1,0],[1,1,0],[0,1,1]进行0 1 2的索引编码,得到[0,1,0]编码索引为0、[1,1,0]编码索引为1以及[0,1,1]编码索引为2,则构建的词向量矩阵可以为3*3的向量矩阵。
本发明一可选实施例中,通过所述语音合成模型中的注意力机制提取所述文本向量的声音频谱,以将所述文本向量中的音素序列转换成梅尔频谱,实现所述待合成文本的语音合成。其中,所述注意力机制通过N个相同的Feed Forward Transformer block(简称FFT)组成,每个所述FFT包括卷积模块、自注意力模块以及激活函数。
具体地,所述所述语音合成模型中的注意力机制提取所述文本向量的声音频谱包括:利用所述注意力机制中的卷积模块对所述文本向量进行特征提取,得到特征文本向量,利用所述注意力机制中的自注意力模块提取所述特征文本向量的音素信息序列,利用所述注意力机制中的激活函数激活所述音素信息序列,得到所述文本向量的声音频谱。
本发明一可选实施例中,所述声音频谱的输出通过所述全连接层的前馈神经网络实现。需要说明的是,本发明实施例中,所述语音合成模型是指经过训练后的模型,其具备较强的语音合成效果。
基于所述待合成文本的语音合成,可以将所述待合成文本中的数据转换成语音,从而可以保障后续与任意用户语音进行语音融合的前提。
S2、获取用户语音,对所述用户语音进行特征提取,得到特征用户语音。
本发明实施例中,所述用户语音基于不同业务场景产生,可以为任意用户发出的语音,其用于与步骤S1中文本语音进行合成,以形成用户文本语音,进一步地,所述用户文本语音可以理解为上述待合成文本的文本语音可以通过任意用户语音的声纹进行传输。应该了解的是,在实际业务场景中获取的用户语音包含许多背景声音和无用声音,因此,本发明实施例通过对所述用户语音进行特征提取,以提取出所述用户语音的特征音频信号,提高后续音频的处理速度。
作为本发明的一个实施例,所述对所述用户语音进行特征提取,得到特征用户语音包括:对所述用户语音进行预处理,并将预处理后的所述用户语音进行短时傅里叶变换,得到所述用户语音的初始特征语音;对所述初始特征语音进行梅尔谱滤波,并将梅尔谱滤波后的初始特征语音进行倒谱分析,得到特征用户语音。
本发明的其中一个实施例,所述对所述用户语音进行预处理,包括:对所述用户语音进行分帧,将分帧后的用户语音进行加窗。其中,所述分帧是指将所述用户语音的信号分割成一帧一帧的音频信号的过程,用于将长音频信号分割成短音频信号,通常取10-30ms为一帧,所述加窗用于消除分帧后的信号两端不连续现象。
本发明的其中一个实施例,所述短时傅里叶变换是指对短时的信号做傅里叶变化的过程,用于将用户语音的信号从时域转变为频域,从而分析出用户语音的信号变化情况,可选的,利用下述公式将预处理后的用户语音进行短时傅里叶变换:
其中,F(ω)表示初始特征语音的声谱图,f(t)表示预处理后的用户语音,e表示无线不循环小数。
本发明的其中一个实施例,所述梅尔谱滤波用于屏蔽初始特征语音中不符合预设频率范围的声音信号,以得到符合人耳听觉习惯的声谱图,所述倒谱分析是指对初始特征语音的声谱图进行再次频谱分析,以抽取初始特征语音的声谱图的轮廓信息,得到所述用户语音的特征音频数据。
S3、利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征。
本发明实施例中,所述语音转换模型用于将文本语音和用户语音进行特征融合,以使可以通过用户语音的声纹表达文本语音的语义,其包括编码器和解码器,所述编码器用于提取所述文本语音的语义特征和所述特征用户语音的声纹特征,所述解码器用于融合所述语义特征和声纹特征。
作为本发明的一个实施例,所述利用所述语音转换模型中的编码器提取所述文本语音的语义特征,包括:利用所述编码器中的卷积层对所述文本语音进行卷积处理,得到卷积文本语音,利用所述编码器中的归一化层对所述卷积文本语音进行实例归一化,得到归一化文本语音,利用所述编码器中的激活函数输出所述归一化文本语音的语义特征。
作为本发明的一个实施例,所述特征用户语音的声纹特征可以通过所述编码器识别所述特征用户语音的声谱图中频谱的均值和标准差实现。
其中,所述文本语音的卷积处理包括所述文本语音的特征提取和声纹消除,需要说明的是,为保障后续文本语音与用户语音的融合,本发明实施例在所述文本语音的卷积处理过程中通过设置消除所述文本语音中的声纹特征,以保障后续文本语音仅通过与其融合的用户语音的声纹传输;所述实例归一化是指将所述卷积文本语音中的数据映射到指定范围(如0-1)处理,便于所述卷积文本语音中不同单位或量级的数据能够进行比较和加权;所述语义特征是指所述文本语音中的文本语义,基于所述语义特征可以表征所述文本语音的语音内容。所述声纹特征用于表征所述特征用户语音的个性特征,即用于描述所述特征用户语音的音色。
一个可选实施例中,所述文本语音的特征提取可以通过所述卷积层中的卷积核实现,所述文本语音的声纹消除可以通过在所述卷积核中设置频谱阈值实现。
一个可选实施例中,利用下述公式对所述卷积文本语音进行实例归一化:
其中,IN(Z)表示归一化文本语音,Z表示卷积文本语音中被归一化对象,μ(Z)表示被归一化对象Z均值函数,σ(Z)表示被归一化对象Z的标准差函数。
一个可选实施例中,所述激活函数可以为softmax函数。
进一步地,应该了解,所述语义特征和所述声纹特征分别表征的文本语义和用户音色,因此,本发明实施例将所述语义特征和所述声纹特征进行融合,以使文本语音具有用户音色,从而可以满足用户个性化的文本音色定制需求。
本发明一可选实施例,利用下述公式对所述语义特征和所述声纹特征进行特征融合:
AdaIN(H,μ(X),σ(X))=σ(X)IN(H)+μ(X)
其中,AdaIN(H,μ(X),σ(X))表示融合特征,H表示语义特征和声纹特征,μ(X)表示语义特征和声纹特征的融合特征X均值函数,σ(X)表示语义特征和声纹特征的融合特征X标准差函数,IN(H)表示语义特征和声纹特征的归一化函数。
S4、利用声码器对所述融合特征进行音频合成,得到音频合成结果。
本发明实施例通过声码器对所述融合特征进行音频合成,可以获取待合成文本与任意用户语音的语音合成结果,从而可以通过任意用户语音的音色表征待合成文本的文本语音,形成所述待合成文本的定制化用户个性文本语音。其中,所述声码器通过griffin-lim算法构建,所述griffin-lim算法通过幅度谱和相位谱重新构建语音波形信号,以实现音频识别,因此,本发明实施例中根据所述融合特征进行幅度谱和相位谱,利用所述声码器重新重新构建所述融合特征的语音信号,以得到所述融合特征的音频合成结果。
进一步地,为保障所述音频合成结果的隐私性和安全性,所述音频合成结果还可存储于一区块链节点中。
本发明实施例首先利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音,可以将所述待合成文本中的数据转换成语音,从而可以保障后续与任意用户语音进行语音融合的前提,并对获取的用户语音进行特征提取,得到特征用户语音,可以提取出所述用户语音的特征音频信号,提高后续音频的处理速度;其次,本发明实施例利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征,可以实现文本语音和用户语音的特征融合,以使可以通过任意用户语音的声纹表征文本语音的语义,从而可以满足用户个性化的文本音色定制需求;进一步地,本发明实施例利用声码器对所述融合特征进行音频合成,得到音频合成结果,可以通过任意用户语音的音色表征待合成文本的文本语音,形成待合成文本的定制化用户个性文本语音。因此,本发明提出的一种语音合成方法可以实现任意用户语音与文本语音的合成,满足用户个性化的文本语音音色定制需求。
如图3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文本语音合成模块101、语音特征提取模块102、语音融合模块103以及音频特征合成模块104。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的处理器所执行,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:
所述文本语音合成模块101,用于利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音;
所述语音特征提取模块102,用于获取用户语音,对所述用户语音进行特征提取,得到特征用户语音;
所述语音融合模块103,用于利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征;
所述音频特征合成模块104,用于利用声码器对所述融合特征进行音频合成,得到音频合成结果。
详细地,本发明实施例中所述语音合成装置100中的所述各模块在使用时采用与上述的图1和图2所述的语音合成方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图4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、通信总线12以及通信接口13,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。
其中,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1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备1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(例如执行语音合成程序等),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。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,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。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。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1之间建立通信连接。所述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。
图4仅示出了具有部件的电子设备1,本领域技术人员可以理解的是,图4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。
应该了解,所述实施例仅为说明之用,在专利发明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:
利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音;
获取用户语音,对所述用户语音进行特征提取,得到特征用户语音;
利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征;
利用声码器对所述融合特征进行音频合成,得到音频合成结果。
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,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还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1的处理器所执行时,可以实现:
利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音;
获取用户语音,对所述用户语音进行特征提取,得到特征用户语音;
利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征;
利用声码器对所述融合特征进行音频合成,得到音频合成结果。
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:
利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音;
获取用户语音,对所述用户语音进行特征提取,得到特征用户语音;
利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征;
利用声码器对所述融合特征进行音频合成,得到音频合成结果。
2.如权利要求1所述的语音合成方法,其特征在于,所述利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音,包括:
利用所述语音合成模型中的编码层对所述待合成文本进行向量编码,得到文本向量;
利用所述语音合成模型中的注意力机制提取所述文本向量的声音频谱;
利用所述语音合成模型中的全连接层输出所述声音频谱,得到所述待合成文本的文本语音。
3.如权利要求2所述的语音合成方法,其特征在于,所述利用所述语音合成模型中的编码层对所述待合成文本进行向量编码,得到文本向量,包括:
利用所述编码层中词嵌入模块对所述待合成文本中的词语进行向量转换,得到所述待合成文本的词向量;
利用所述编码层中的索引编码模块对所述词向量构建索引矩阵,得到词向量矩阵;
利用所述编码层中的激活函数激活所述词向量矩阵,得到所述待合成文本的文本向量。
4.如权利要求1所述的语音合成方法,其特征在于,所述所述语音合成模型中的注意力机制提取所述文本向量的声音频谱包括:
利用所述注意力机制中的卷积模块对所述文本向量进行特征提取,得到特征文本向量;
利用所述注意力机制中的自注意力模块提取所述特征文本向量的音素信息序列;
利用所述注意力机制中的激活函数激活所述音素信息序列,得到所述文本向量的声音频谱。
5.如权利要求1所述的语音合成方法,其特征在于,所述对所述用户语音进行特征提取,得到特征用户语音包括:
对所述用户语音进行预处理,并将预处理后的所述用户语音进行短时傅里叶变换,得到所述用户语音的初始特征语音;
对所述初始特征语音进行梅尔谱滤波,并将梅尔谱滤波后的初始特征语音进行倒谱分析,得到特征用户语音。
6.如权利要求1至5中任意一项所述的语音合成方法,其特征在于,所述利用所述语音转换模型中的编码器提取所述文本语音的语义特征,包括:
利用所述编码器中的卷积层对所述文本语音进行卷积处理,得到卷积文本语音;
利用所述编码器中的归一化层对所述卷积文本语音进行实例归一化,得到归一化文本语音;
利用所述编码器中的激活函数输出所述归一化文本语音的语义特征。
7.如权利要求1所述的语音合成方法,其特征在于,所述利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,包括:
利用下述公式对所述语义特征和所述声纹特征进行特征融合:
AdaIN(H,μ(X),σ(X))=σ(X)IN(H)+μ(X)
其中,AdaIN(H,μ(X),σ(X))表示融合特征,H表示语义特征和声纹特征,μ(X)表示语义特征和声纹特征的融合特征X均值函数,σ(X)表示语义特征和声纹特征的融合特征X标准差函数,IN(H)表示语义特征和声纹特征的归一化函数。
8.一种语音合成装置,其特征在于,所述装置包括:
文本语音合成模块,用于利用语音合成模型对待合成文本进行语音合成,得到所述待合成文本的文本语音;
语音特征提取模块,用于获取用户语音,对所述用户语音进行特征提取,得到特征用户语音;
语音融合模块,用于利用语音转换模型中的编码器提取所述文本语音的语义特征,及所述特征用户语音的声纹特征,并利用所述语音转换模型中的解码器对所述语义特征和所述声纹特征进行特征融合,得到融合特征;
音频特征合成模块,用于利用声码器对所述融合特征进行音频合成,得到音频合成结果。
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,所述计算机程序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中任意一项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中任意一项所述的语音合成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835125.6A CN113555003B (zh) | 2021-07-23 | 2021-07-23 | 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 |
---|---|---|---|
CN202110835125.6A CN113555003B (zh) | 2021-07-23 | 2021-07-23 | 语音合成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113555003A true CN113555003A (zh) | 2021-10-26 |
CN113555003B CN113555003B (zh) | 2024-05-28 |
Family
ID=78104191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110835125.6A Active CN113555003B (zh) | 2021-07-23 | 2021-07-23 | 语音合成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113555003B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120973A (zh) * | 2022-01-29 | 2022-03-01 | 成都启英泰伦科技有限公司 | 一种语音语料生成***训练方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785823A (zh) * | 2019-01-22 | 2019-05-21 | 中财颐和科技发展(北京)有限公司 | 语音合成方法及*** |
CN110335587A (zh) * | 2019-06-14 | 2019-10-15 | 平安科技(深圳)有限公司 | 语音合成方法、***、终端设备和可读存储介质 |
CN111667814A (zh) * | 2020-05-26 | 2020-09-15 | 北京声智科技有限公司 | 一种多语种的语音合成方法及装置 |
CN112133282A (zh) * | 2020-10-26 | 2020-12-25 | 厦门大学 | 轻量级多说话人语音合成***及电子设备 |
CN112349273A (zh) * | 2020-11-05 | 2021-02-09 | 携程计算机技术(上海)有限公司 | 基于说话人的语音合成方法、模型训练方法及相关设备 |
CN112420017A (zh) * | 2020-11-13 | 2021-02-26 | 北京沃东天骏信息技术有限公司 | 语音合成方法及装置 |
CN112466273A (zh) * | 2020-12-10 | 2021-03-09 | 平安科技(深圳)有限公司 | 语音合成方法、装置、电子设备及存储介质 |
-
2021
- 2021-07-23 CN CN202110835125.6A patent/CN113555003B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785823A (zh) * | 2019-01-22 | 2019-05-21 | 中财颐和科技发展(北京)有限公司 | 语音合成方法及*** |
CN110335587A (zh) * | 2019-06-14 | 2019-10-15 | 平安科技(深圳)有限公司 | 语音合成方法、***、终端设备和可读存储介质 |
CN111667814A (zh) * | 2020-05-26 | 2020-09-15 | 北京声智科技有限公司 | 一种多语种的语音合成方法及装置 |
CN112133282A (zh) * | 2020-10-26 | 2020-12-25 | 厦门大学 | 轻量级多说话人语音合成***及电子设备 |
CN112349273A (zh) * | 2020-11-05 | 2021-02-09 | 携程计算机技术(上海)有限公司 | 基于说话人的语音合成方法、模型训练方法及相关设备 |
CN112420017A (zh) * | 2020-11-13 | 2021-02-26 | 北京沃东天骏信息技术有限公司 | 语音合成方法及装置 |
CN112466273A (zh) * | 2020-12-10 | 2021-03-09 | 平安科技(深圳)有限公司 | 语音合成方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120973A (zh) * | 2022-01-29 | 2022-03-01 | 成都启英泰伦科技有限公司 | 一种语音语料生成***训练方法 |
CN114120973B (zh) * | 2022-01-29 | 2022-04-08 | 成都启英泰伦科技有限公司 | 一种语音语料生成***训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113555003B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292720B (zh) | 语音合成方法、装置、计算机可读介质及电子设备 | |
CN112086086B (zh) | 语音合成方法、装置、设备及计算机可读存储介质 | |
CN112397047A (zh) | 语音合成方法、装置、电子设备及可读存储介质 | |
CN110197658A (zh) | 语音处理方法、装置以及电子设备 | |
CN111681681A (zh) | 语音情绪识别方法、装置、电子设备及存储介质 | |
CN112927674B (zh) | 语音风格的迁移方法、装置、可读介质和电子设备 | |
CN112466273A (zh) | 语音合成方法、装置、电子设备及存储介质 | |
CN113345431B (zh) | 跨语言语音转换方法、装置、设备及介质 | |
CN113903363B (zh) | 基于人工智能的违规行为检测方法、装置、设备及介质 | |
CN112951203A (zh) | 语音合成方法、装置、电子设备及存储介质 | |
CN114866807A (zh) | 虚拟形象视频生成方法、装置、电子设备及可读存储介质 | |
CN113327586A (zh) | 一种语音识别方法、装置、电子设备以及存储介质 | |
CN115511704B (zh) | 一种虚拟客服生成方法、装置、电子设备及存储介质 | |
CN111696521A (zh) | 语音克隆模型的训练方法、可读存储介质和语音克隆方法 | |
CN112735371A (zh) | 一种基于文本信息生成说话人视频的方法及装置 | |
CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
CN113205814A (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
CN113539232A (zh) | 一种基于慕课语音数据集的语音合成方法 | |
CN113205793A (zh) | 音频生成方法、装置、存储介质及电子设备 | |
CN113707124A (zh) | 话术语音的联动播报方法、装置、电子设备及存储介质 | |
CN113555003B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
CN112201253A (zh) | 文字标记方法、装置、电子设备及计算机可读存储介质 | |
CN116665642A (zh) | 语音合成方法、语音合成***、电子设备及存储介质 | |
CN113314096A (zh) | 语音合成方法、装置、设备和存储介质 | |
CN114363531B (zh) | 基于h5的文案解说视频生成方法、装置、设备以及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |