CN114155829A

CN114155829A - 语音合成方法、装置、可读存储介质及电子设备

Info

Publication number: CN114155829A
Application number: CN202111473868.XA
Authority: CN
Inventors: 梅晓; 何爽爽; 吉伶俐; 马泽君
Original assignee: Beijing Youzhuju Network Technology Co Ltd
Current assignee: Beijing Youzhuju Network Technology Co Ltd
Priority date: 2021-11-30
Filing date: 2021-11-30
Publication date: 2022-03-08

Abstract

本公开涉及一种语音合成方法、装置、可读存储介质及电子设备。方法包括：确定待合成文本的声调标注信息和韵律标注信息，声调标注信息包括待合成文本中单字叹词的声调类型，声调类型基于声调信息和音高信息确定；确定待合成文本对应的音素序列；根据声调标注信息、韵律标注信息及音素序列，生成合成音频。由于待合成文本中单字叹词的声调类型是实际叹词音高曲线的抽象总结，符合当前语言学界的研究成果，在分类上更加准确，能保证类内相似、类间不同，从而保证了合成音频的自然度和拟人度。同时，在语音合成过程中给定单字叹词的声调类型，保证了合成音频的叹词声调的可控性，能对叹词所要表达的语用效果进行直接控制，使合成音频更加真实、自然。

Description

语音合成方法、装置、可读存储介质及电子设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种语音合成方法、装置、可读存储介质及电子设备。

背景技术

语音合成技术能够将任意文本转换成对应的音频，通常包括两个部分，一部分是对文本进行分析，得到语言学相关的信息，另一部分则是基于分析得出的结果生成声音波形。在相关技术中，通常缺乏对单字叹词声调特征的准确描述，使得合成音频中叹词的声调无法得到有效控制，导致合成后的音频不够真实、自然，缺乏表现力。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种语音合成方法，包括：

确定待合成文本的声调标注信息和韵律标注信息，其中，所述声调标注信息包括所述待合成文本中单字叹词的声调类型，所述声调类型基于声调信息和音高信息确定；

确定所述待合成文本对应的音素序列；

根据所述声调标注信息、所述韵律标注信息以及所述音素序列，生成与所述待合成文本对应的合成音频。

第二方面，本公开提供一种语音合成装置，包括：

第一确定模块，用于确定待合成文本的声调标注信息和韵律标注信息，其中，所述声调标注信息包括所述待合成文本中单字叹词的声调类型，所述声调类型基于声调信息和音高信息确定；

第二确定模块，用于确定所述待合成文本对应的音素序列；

生成模块，用于根据所述第一确定模块确定出的所述声调标注信息、所述韵律标注信息以及所述第二确定模块确定出的所述音素序列，生成与所述待合成文本对应的合成音频。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。

在上述技术方案中，确定待合成文本的声调标注信息和韵律标注信息，其中，声调标注信息包括待合成文本中单字叹词的声调类型，声调类型基于声调信息和音高信息确定；确定待合成文本对应的音素序列；根据声调标注信息、韵律标注信息以及音素序列，生成与待合成文本对应的合成音频。由于待合成文本中单字叹词的声调类型是实际叹词音高曲线的抽象总结，符合当前语言学界的研究成果，在分类上更加准确，能保证类内相似、类间不同，从而能够准确描述单字叹词的声调特征，保证了合成音频的自然度和拟人度。同时，在语音合成过程中给定了待合成文本中单字叹词的声调类型，保证了合成音频的叹词声调的可控性，实现了对语音的声学特征的直接控制，从而能做到对叹词所要表达的语用效果进行直接控制，使得合成音频更加真实、自然。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一示例性实施例示出的一种语音合成方法的流程图。

图2是根据一示例性实施例示出的一种声调标注模型训练方法的流程图。

图3是根据一示例性实施例示出的一种标注页面的示意图。

图4是根据一示例性实施例示出的一种根据声调标注信息、韵律标注信息以及音素序列，生成与待合成文本对应的合成音频的方法的流程图。

图5是根据一示例性实施例示出的一种语音合成模型训练方法的流程图。

图6是根据一示例性实施例示出的一种语音合成装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

如背景技术所述，相关技术中的语音合成缺乏对单字叹词声调特征的准确描述，使得合成音频中叹词的声调无法得到有效控制，导致合成后的音频不够真实、自然，缺乏表现力。具体来说，在基于统计的语音合成技术中，本质都是对音频和其标签进行统计建模。合成音频的质量，与标签体系的完备性、合理性、细致程度密切相关。现阶段，叹词声调体系有两种方式。一种方式是统一标注为轻声；另一种方式是用相似的四声来标注。这两种方式因为都没有准确描述单字叹词声调特征，从而都会导致合成的叹词声调听感奇怪，不符合自然口语语感，使得合成音频不够真实、自然，缺乏表现力。

鉴于此，本公开提供一种语音合成方法、装置、可读存储介质及电子设备。

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据一示例性实施例示出的一种语音合成方法的流程图。如图1所示，该方法可以包括以下S101～S103。

在S101中，确定待合成文本的声调标注信息和韵律标注信息。

在本公开中，声调标注信息用于反映与声调相关的内容，它可以包括待合成文本中单字叹词的声调类型，还可以包括待合成文本中除单字叹词外的其他字的声调类型。其中，单字叹词为单个字的叹词，例如，啊、哼、哎、唉等。

单字叹词的声调类型可以基于声调信息和音高信息确定。其中，声调信息可以包括平、升、曲折以及降四个声调，音高信息可以包括高和低，相应地，单字叹词的声调类型可以为高平调、低平调、高升调、高降调、低降调以及曲折调中的一者。

除单字叹词外的其他字的声调类型可以为平、升、曲折以及降中的一者。

韵律标注信息用于反映与韵律相关的内容，其包括韵律边界信息。

在S102中，确定待合成文本对应的音素序列。

在本公开中，可以通过字素到音素(Grapheme-to-Phoneme，G2P)模型、来获取待合成文本对应的音素序列。

示例地，G2P模型可以采用循环神经网络(Recurrent Neural Network，RNN)和长短期记忆网络(Long Short-Term Memory，LSTM)来实现从字素到音素的转化。

在S103中，根据声调标注信息、韵律标注信息以及音素序列，生成与待合成文本对应的合成音频。

为了使得本领域技术人员更加理解本公开提供的语音合成方法，下面对上述各步骤进行详细举例说明。

首先，对本公开所用到的声调标注信息的相关内容进行解释说明。正如上述论述的那样，单字叹词的声调类型可以为高平调、低平调、高升调、高降调、低降调以及曲折调中的一者。

其中，高平调，音高目标在高，基频曲线呈持平的趋势。

低平调，音高目标在低，基频曲线呈持平的趋势。

高升调，音高目标在升，基频曲线呈持续上升的趋势。

高降调，音高目标在降，基频曲线呈持续下降的趋势。

低降调，音高目标在先低后降，基频曲线呈在低处持续下降并渐平的趋势。

曲折调，基频曲线呈持续先低后上升再下降的趋势。

其次，对本公开所用到的韵律标注信息的相关内容进行解释说明。

韵律边界(break index，可简写为BRK)，也可以称为间断指数，用于描述信息在语流中组织、分句的形式。相应地，韵律边界信息可以用于指示文本中存在停顿的词边界位置，其中，词边界包括韵律短语边界和语调短语边界。

韵律短语边界，也就是小短语边界(minor phrase)，对应韵律短语，在听感上呈现短暂间断，造成信息组织的分割感，但不会有停顿。根据经验，正常语速下的短暂静音一般小于70ms，慢速语速(80-120词/分)下的短暂静音一般在60ms-170ms之间。

语调短语边界，也就是大短语边界(major phrase)，对应语调短语，听感上存在明显停顿，并且，大短语边界的词通常会出现音延拉长的情况，使得该边界上的词拥有丰富的语调表现，例如，能够进行音高的两次滑动，可同时实现音高重音与边界调。根据经验，正常语速下表现为有静音大于70ms，慢速语速(80-120词/分)下表现为有大于170ms的静音。

另外，韵律边界信息还可以包括句边界，它能使句末的边界调到达说话人的音域最高点或最低点，更符合真实的说话人效果。

可选地，韵律边界信息还可以包括韵律词边界，用于描述词边界。

韵律词边界(prosody word)，属于一个重音的辖域，在听感上有且仅有一个重音音节，辖域内有明显的协同发音现象，在听感上有微弱的间断感，不会有停顿和明显的信息组织分割感。一般，边界处不会出现音延拉长现象和停顿现象。

基于上述韵律标注信息，可以实现对文本的韵律标注，基于这些韵律信息，有利于获得更加自然的语音合成结果。并且，基于上述描述，能够规范标注方式，同时界定标注的作用域及标注域，设定标注的声学线索与阈值，有利于提升标注一致性。

下面针对上述S101中的确定待合成文本的声调标注信息的具体实施方式进行详细说明。具体来说，可以通过多种方式来实现，在一种实施方式中，可以通过人工标注的方式确定待合成文本的声调标注信息。具体来说，可以接收针对待合成文本的声调标注操作，并根据声调标注操作生成待合成文本的声调标注信息。

也就是说，标注人员可以直接对待合成文本进行声调标注操作，将期望从合成音频中听到的声调特征标注到待合成文本中。其中，对于各类声调特征的标注思路可以参考前文关于声调标注信息的相关描述。

示例地，可以预先建立有各汉字叹词声调类型与语用意图之间的对应关系(如下表1中所示)，以辅助标注人员进行声调标注操作。其中，语用意图用于表征单字叹词所要表达的语用效果，例如，祈使、请求、疑问、惊讶、失望、难过等。

表1各汉字叹词声调类型与语用意图之间的对应关系表

高平调

高升调

高降调

曲折调

低降调

低平调

啊

祈使、请求

疑问、惊讶

感叹、突发

语气衔接、发语

思考中

哼

威胁、强迫

不满

哎、唉、嗳

应答，发语词

意外

承认、接受

失望、难过

……

欸、诶

发语词

意外

同意、确认

不以为然

思考中的同意

思考中

在另一种实施方式中，可以通过预先训练好的声调标注模型完成待合成文本的声调标注信息的确定。具体来说，可以将待合成文本输入至预先训练好的声调标注模型，得到待合成文本的声调标注信息。

其中，声调标注模型可以基于带有声调标注信息的第二训练文本训练得到。具体来说，可以通过图2所示的S201和S202来训练上述声调标注模型。

在S201中，获取第二训练文本和第二训练文本的声调标注信息。

在S202中，通过将第二训练文本作为声调标注模型的输入，将第二训练文本的声调标注信息作为声调标注模型的目标输出的方式进行模型训练，以得到声调标注模型。

在本公开中，第二训练文本可以是从真实存在的语音中提取出的文本，针对这样的语音，标注人员可以首先通过听语音的方式对文本中的各单字叹词的声调类型进行标注，以生成声调标注信息。这样的标注主要依赖于标注人员的听感。另外，标注过程还可以参考上述各汉字叹词声调类型与语用意图之间的对应关系。

基于上述方式，即可获得与第二训练文本的真实发音对应的声调标注信息。从而，将第二训练文本作为声调标注模型的输入，并将第二训练文本的声调标注信息作为声调标注模型的目标输出的方式进行模型训练，从而得到声调标注模型。这样，将待合成文本输入至声调标注模型，就能够自动获得待合成文本的声调标注信息，不再需要实时地人工标注。

下面针对上述S101中的确定待合成文本的韵律标注信息的具体实施方式进行说明。具体来说，可以通过多种方式来实现，在一种实施方式中，可以通过人工标注的方式确定待合成文本的韵律标注信息。具体来说，可以接收针对待合成文本的韵律标注操作，并根据韵律标注操作生成待合成文本的韵律标注信息。

也就是说，标注人员可以直接对待合成文本进行韵律标注操作，将期望从合成音频中听到的韵律特征标注到待合成文本中。其中，对于各类韵律特征的标注思路可以参考前文关于韵律标注信息的相关描述。

在另一种实施方式中，可以通过预先训练好的韵律标注模型完成待合成文本的韵律标注信息的确定。具体来说，可以将待合成文本输入至预先训练好的韵律标注模型，得到待合成文本的韵律标注信息。

其中，韵律标注模型可以基于带有韵律标注信息的第三训练文本训练得到。具体来说，可以通过以下步骤来训练上述韵律标注模型：

首先，获取第三训练文本和第三训练文本的韵律标注信息。

然后，通过将第三训练文本作为韵律标注模型的输入，将第三训练文本的韵律标注信息作为韵律标注模型的目标输出的方式进行模型训练，以得到韵律标注模型。

在本公开中，第三训练文本可以是从真实存在的语音中提取出的文本，针对这样的语音，标注人员可以首先通过听语音的方式在文本中的合适位置进行韵律标记，以生成韵律标注信息。这样的标注主要依赖于标注人员的听感。另外，标注过程还可以参考下述几个方面：

标记韵律边界，播放音频，判断语流在哪个词边界有明显停顿或间断感，标出韵律短语边界、语调短语边界(句边界可由机器自动标注，可不必人工标注)；

示例地，标注人员可以通过指定的标注页面对待合成文本进行人工标注。标注页面可以如图3所示，其中，从上到下来看，第1层为句子层(即，第三训练文本)，第2层为汉字层，包含前后静音段“sil”、中间停顿“sp”，第三层为音素层，含有声调信息，第4层为韵律边界标注层。第1、2、3层为间隔层(interval tier)，需要标注的第4层为点层(point tier)，即，以点的形式进行标注，只需保证标注的点与相应词的右边界的时间完全相同即可。在图3中，1为韵律词边界，2为韵律短语边界，3为语调短语边界，4为句边界。

基于上述方式，即可获得与第三训练文本的真实发音对应的韵律标注信息。从而，将第三训练文本作为韵律标注模型的输入，并将第三训练文本的韵律标注信息作为韵律标注模型的目标输出的方式进行模型训练，从而得到韵律标注模型。这样，将待合成文本输入至韵律标注模型，就能够自动获得待合成文本的韵律标注信息，不再需要实时地人工标注。

下面针对上述S103中的根据声调标注信息、韵律标注信息以及音素序列，生成与待合成文本对应的合成音频的具体实施方式进行详细说明。具体来说，可以通过图4中所示的S1031～S1034来实现。

在S1031中，根据待合成文本的声调标注信息，确定音素级别的声调标签。

如前文所述，声调标注信息可以包括待合成文本中单字叹词的声调类型，该声调类型可以为高平调、低平调、高升调、高降调、低降调以及曲折调中的一者。相应地，声调标签可以为高平调、低平调、高升调、高降调、低降调以及曲折调中的一者。

声调标注信息一般是标注了待合成文本中单字叹词的声调类型。而为了便于后续的语音合成，保证声调标注信息能够与待合成文本的音素逐一对应上，可以基于待合成文本的声调标注信息，进一步确定音素级别的声调标签。

确定声调标签的思路在于，同一单字叹词的不同音素共享相同的声调标签，即单字叹词的各音素的声调标签均为该单字叹词的声调类型。

在S1032中，根据待合成文本的韵律标注信息，确定音素级别的韵律标签。

如前文所述，韵律标注信息包括韵律边界信息，相应地，韵律标签即为韵律边界标签。

韵律标注信息一般是标注了文本的某个位置，例如，文本的某个位置是韵律短语边界。而为了便于后续的语音合成，保证韵律标注信息能够与待合成文本的音素逐一对应上，可以基于待合成文本的韵律标注信息，进一步确定音素级别的韵律标签。

确定韵律标签的思路在于，对于存在韵律标注的音素位置处，按照标注信息生成标签内容，而对于不存在韵律标注的音素位置处，用指定替代内容进行替代。例如，对于音素序列{A1，A2，A3，A4，A5，A6}，假设韵律标注信息中包括韵律边界信息，且标注内容为A2处存在韵律短语边界，A5处存在语调短语边界，并且，规定了韵律短语边界用3表征、语调短语边界用4表征，无标记用N2表征，则确定出的韵律边界标签就是{N2，3，N2，N2，4，N2}。

在S1033中，根据声调标签、韵律标签以及音素序列，利用预先训练好的语音合成模型，生成与待合成文本对应的声学特征信息。

在S1034中，利用声码器对声学特征信息进行合成，以生成与待合成文本对应的合成音频。

具体来说，可以将声调标签、韵律标签以及音素序列输入到预先训练好的语音合成模型，以得到待合成文本对应的声学特征信息。示例地，声学特征信息可以为梅尔频谱(Mel谱)、线性谱等。

在通过语音合成模型得到待合成文本对应的声学特征信息后，可以将该声学特征信息输入到声码器(例如，Wavenet声码器、Griffin-Lim声码器)中，以进行语音合成，从而得到待合成文本对应的合成音频。

在上述实施方式中途，将声调信息和韵律信息精确到音素级别，控制精确度更高，能够达到更加合适、精准的声调和韵律表现效果。

另外，上述语音合成模型可以包括编码网络、注意力网络以及解码网络，其中，编码网络用于获取与声调标签、韵律标签以及音素序列对应的表示序列，注意力网络用于根据表示序列，生成定长的语义表征；解码网络用于根据语义表征，获得与待合成文本对应的声学特征信息。

具体来说，上述编码网络可以包括嵌入层(即Embedding层)、预处理网络(Pre-net)子模型和CBHG(Convolution Bank+Highway network+bidirectional GatedRecurrent Unit，即，卷积层+高速网络+双向递归神经网络，也就是说，CBHG由卷积层、高速网络以及双向递归神经网络组成)子模型。首先，通过嵌入层对声调标签、韵律标签以及音素序列分别进行向量化，然后，按照预设的拼接顺序，将向量化后所得的声调标签、向量化后所得的韵律标签以及向量化后所得的音素序列进行拼接，得到目标序列，示例地，可以按照向量化后所得的音素序列、向量化后所得的声调标签、向量化后所得的韵律标签的顺序进行拼接；接下来，将目标序列输入至Pre-net子模型，以进行非线性变换，从而提升语音合成模型的收敛和泛化能力；最后，通过CBHG子模型根据非线性变换后所得的目标序列，获得相应的表示序列。

另外，上述语音合成模型基于带有韵律标注信息和声调标注信息的第一训练文本和第一训练文本对应的训练声学特征信息训练得到。具体来说，可以通过图5中所示的S501～S504来实现。

在S501中，确定与第一训练文本对应的训练音素序列。

在S502中，根据第一训练文本的声调标注信息，确定音素级别的训练声调标签。

在S503中，根据第一训练文本的韵律标注信息，确定音素级别的训练韵律标签。

在S504中，通过将训练声调标签、训练韵律标签以及训练音素序列作为语音合成模型的输入，将训练声学特征信息作为语音合成模型的目标输出的方式进行模型训练，以得到语音合成模型。

在本公开中，可以通过与上述S102中确定待合成文本对应的音素序列类似的方式来确定与第一训练文本对应的训练音素序列，可以通过与上述S1031中根据待合成文本的声调标注信息，确定音素级别的声调标签类似的方式来确定音素级别的训练声调标签，可以通过与上述S1032中根据待合成文本的韵律标注信息，确定音素级别的韵律标签类似的方式来确定音素级别的训练韵律标签，对此，本公开均不再赘述。

图6是根据一示例性实施例示出的一种语音合成装置的框图。如图6所示，该装置600包括：

第一确定模块601，用于确定待合成文本的声调标注信息和韵律标注信息，其中，所述声调标注信息包括所述待合成文本中单字叹词的声调类型，所述声调类型基于声调信息和音高信息确定；

第二确定模块602，用于确定所述待合成文本对应的音素序列；

生成模块603，用于根据所述第一确定模块601确定出的所述声调标注信息、所述韵律标注信息以及所述第二确定模块602确定出的所述音素序列，生成与所述待合成文本对应的合成音频。

可选地，所述声调类型为高平调、低平调、高升调、高降调、低降调以及曲折调中的一者。

可选地，所述生成模块603包括：

第一确定子模块，用于根据所述待合成文本的声调标注信息，确定音素级别的声调标签；

第二确定子模块，用于根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签；

生成子模块，用于根据所述声调标签、所述韵律标签以及所述音素序列，利用预先训练好的语音合成模型，生成与所述待合成文本对应的声学特征信息；

合成子模块，用于利用声码器对所述声学特征信息进行合成，以生成与所述待合成文本对应的合成音频。

可选地，所述语音合成模型包括编码网络、注意力网络以及解码网络，其中，所述编码网络用于获取与所述声调标签、所述韵律标签以及所述音素序列对应的表示序列，所述注意力网络用于根据所述表示序列，生成定长的语义表征；所述解码网络用于根据所述语义表征，获得与所述待合成文本对应的声学特征信息。

可选地，所述语音合成模型基于带有韵律标注信息和声调标注信息的第一训练文本和所述第一训练文本对应的训练声学特征信息训练得到。

可选地，所述语音合成模型通过第一模型训练装置训练得到。具体来说，第一模型训练装置包括：

第三确定模块，用于确定与所述第一训练文本对应的训练音素序列；

第四确定模块，用于根据所述第一训练文本的声调标注信息，确定音素级别的训练声调标签；

第五确定模块，用于根据所述第一训练文本的韵律标注信息，确定音素级别的训练韵律标签；

第一训练模块，用于通过将所述训练声调标签、所述训练韵律标签以及所述训练音素序列作为所述语音合成模型的输入，将所述训练声学特征信息作为所述语音合成模型的目标输出的方式进行模型训练，以得到所述语音合成模型。

可选地，所述第一确定模块601用于将待合成文本输入至预先训练好的声调标注模型，得到所述待合成文本的声调标注信息。

可选地，所述声调标注模型通过第二模型训练装置训练得到。其中，该第二模型训练装置包括：

获取模块，用于获取第二训练文本和所述第二训练文本的声调标注信息；

第二训练模块，用于通过将所述第二训练文本作为所述声调标注模型的输入，将所述第二训练文本的声调标注信息作为所述声调标注模型的目标输出的方式进行模型训练，以得到所述声调标注模型。

可选地，所述韵律标注信息包括韵律边界信息。

需要说明的是，上述第一模型训练装置可以集成于上述语音合成装置600中，也可以独立于上述语音合成装置600，上述第二模型训练装置可以集成于上述语音合成装置600中，也可以独立于上述语音合成装置600，本公开不作具体限定。

本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述语音合成方法的步骤。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)700的结构示意图。本公开实施例中的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、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、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7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7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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，其包括承载在非暂态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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

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：确定待合成文本的声调标注信息和韵律标注信息，其中，所述声调标注信息包括所述待合成文本中单字叹词的声调类型，所述声调类型基于声调信息和音高信息确定；确定所述待合成文本对应的音素序列；根据所述声调标注信息、所述韵律标注信息以及所述音素序列，生成与所述待合成文本对应的合成音频。

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但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一确定模块还可以被描述为“确定待合成文本的声调标注信息和韵律标注信息的模块”。

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。

根据本公开的一个或多个实施例，示例1提供了一种语音合成方法，包括：确定待合成文本的声调标注信息和韵律标注信息，其中，所述声调标注信息包括所述待合成文本中单字叹词的声调类型，所述声调类型基于声调信息和音高信息确定；确定所述待合成文本对应的音素序列；根据所述声调标注信息、所述韵律标注信息以及所述音素序列，生成与所述待合成文本对应的合成音频。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述声调类型为高平调、低平调、高升调、高降调、低降调以及曲折调中的一者。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述根据所述声调标注信息、所述韵律标注信息以及所述音素序列，生成与所述待合成文本对应的合成音频，包括：根据所述待合成文本的声调标注信息，确定音素级别的声调标签；根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签；根据所述声调标签、所述韵律标签以及所述音素序列，利用预先训练好的语音合成模型，生成与所述待合成文本对应的声学特征信息；利用声码器对所述声学特征信息进行合成，以生成与所述待合成文本对应的合成音频。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述语音合成模型包括编码网络、注意力网络以及解码网络，其中，所述编码网络用于获取与所述声调标签、所述韵律标签以及所述音素序列对应的表示序列，所述注意力网络用于根据所述表示序列，生成定长的语义表征；所述解码网络用于根据所述语义表征，获得与所述待合成文本对应的声学特征信息。

根据本公开的一个或多个实施例，示例5提供了示例3的方法，所述语音合成模型基于带有韵律标注信息和声调标注信息的第一训练文本和所述第一训练文本对应的训练声学特征信息训练得到。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述语音合成模型通过以下方式训练得到：确定与所述第一训练文本对应的训练音素序列；根据所述第一训练文本的声调标注信息，确定音素级别的训练声调标签；根据所述第一训练文本的韵律标注信息，确定音素级别的训练韵律标签；通过将所述训练声调标签、所述训练韵律标签以及所述训练音素序列作为所述语音合成模型的输入，将所述训练声学特征信息作为所述语音合成模型的目标输出的方式进行模型训练，以得到所述语音合成模型。

根据本公开的一个或多个实施例，示例7提供了示例1-6中任一项的方法，所述确定待合成文本的声调标注信息，包括：将待合成文本输入至预先训练好的声调标注模型，得到所述待合成文本的声调标注信息。

根据本公开的一个或多个实施例，示例8提供了示例7的方法，所述声调标注模型通过以下方式训练得到：获取第二训练文本和所述第二训练文本的声调标注信息；通过将所述第二训练文本作为所述声调标注模型的输入，将所述第二训练文本的声调标注信息作为所述声调标注模型的目标输出的方式进行模型训练，以得到所述声调标注模型。

根据本公开的一个或多个实施例，示例9提供了示例1-6中任一项的方法，所述韵律标注信息包括韵律边界信息。

根据本公开的一个或多个实施例，示例10提供了一种语音合成装置，包括：第一确定模块，用于确定待合成文本的声调标注信息和韵律标注信息，其中，所述声调标注信息包括所述待合成文本中单字叹词的声调类型，所述声调类型基于声调信息和音高信息确定；第二确定模块，用于确定所述待合成文本对应的音素序列；生成模块，用于根据所述第一确定模块确定出的所述声调标注信息、所述韵律标注信息以及所述第二确定模块确定出的所述音素序列，生成与所述待合成文本对应的合成音频。

根据本公开的一个或多个实施例，示例11提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-9中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例12提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-9中任一项所述方法的步骤。

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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims

1.一种语音合成方法，其特征在于，包括：

确定所述待合成文本对应的音素序列；

2.根据权利要求1所述的方法，其特征在于，所述声调类型为高平调、低平调、高升调、高降调、低降调以及曲折调中的一者。

3.根据权利要求1所述的方法，其特征在于，所述根据所述声调标注信息、所述韵律标注信息以及所述音素序列，生成与所述待合成文本对应的合成音频，包括：

根据所述待合成文本的声调标注信息，确定音素级别的声调标签；

根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签；

根据所述声调标签、所述韵律标签以及所述音素序列，利用预先训练好的语音合成模型，生成与所述待合成文本对应的声学特征信息；

利用声码器对所述声学特征信息进行合成，以生成与所述待合成文本对应的合成音频。

4.根据权利要求3所述的方法，其特征在于，所述语音合成模型包括编码网络、注意力网络以及解码网络，其中，所述编码网络用于获取与所述声调标签、所述韵律标签以及所述音素序列对应的表示序列，所述注意力网络用于根据所述表示序列，生成定长的语义表征；所述解码网络用于根据所述语义表征，获得与所述待合成文本对应的声学特征信息。

5.根据权利要求3所述的方法，其特征在于，所述语音合成模型基于带有韵律标注信息和声调标注信息的第一训练文本和所述第一训练文本对应的训练声学特征信息训练得到。

6.根据权利要求5所述的方法，其特征在于，所述语音合成模型通过以下方式训练得到：

确定与所述第一训练文本对应的训练音素序列；

根据所述第一训练文本的声调标注信息，确定音素级别的训练声调标签；

根据所述第一训练文本的韵律标注信息，确定音素级别的训练韵律标签；

通过将所述训练声调标签、所述训练韵律标签以及所述训练音素序列作为所述语音合成模型的输入，将所述训练声学特征信息作为所述语音合成模型的目标输出的方式进行模型训练，以得到所述语音合成模型。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述确定待合成文本的声调标注信息，包括：

将待合成文本输入至预先训练好的声调标注模型，得到所述待合成文本的声调标注信息。

8.根据权利要求7所述的方法，其特征在于，所述声调标注模型通过以下方式训练得到：

获取第二训练文本和所述第二训练文本的声调标注信息；

通过将所述第二训练文本作为所述声调标注模型的输入，将所述第二训练文本的声调标注信息作为所述声调标注模型的目标输出的方式进行模型训练，以得到所述声调标注模型。

9.根据权利要求1-6中任一项所述的方法，其特征在于，所述韵律标注信息包括韵律边界信息。

10.一种语音合成装置，其特征在于，包括：

第二确定模块，用于确定所述待合成文本对应的音素序列；

11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-9中任一项所述方法的步骤。

12.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。