[发明专利]电子装置、语音合成方法和计算机可读存储介质

说明书

本发明公开一种电子装置、语音合成方法和存储介质，该方法包括：在收到待合成文本后，将该待合成文本中的语句及词组拆分成单字，根据预先确定的单字、发音时长、发音基频三者之间的映射关系，确定各个单字对应的发音时长和发音基频，根据预先确定的发音字典将各个单字拆分成预设类型语音特征；根据各个单字的语音特征和发音时长，提取出该待合成文本对应的预设类型声学特征向量；将该待合成文本对应的预设类型声学特征向量输入到训练好的预设类型识别模型中，识别出该待合成文本对应的声纹特征；根据该识别出的声纹特征和各个单字的发音基频，生成该待合成文本对应的语音。本发明技术方案使语音合成结果的精度高，自然度和清晰度较佳。

技术领域

本发明涉及，特别涉及一种电子装置、语音合成方法和计算机可读存储介质。

背景技术

语音合成技术，也被称为文语转换技术(Text to Speech,speech synthesis，TTS)，其目标是让机器通过识别和理解，把文本信息变成人造语音输出，是现代人工智能发展的重要分支。语音合成能够在质量检测、机器问答、残障辅助等领域发挥极大作用，方便人们的生活，而语音合成的自然度和清晰度直接决定了技术应用的有效性。目前，现有的语音合成方案通常采用传统混合高斯技术来构建语音单元，然而，语音合成归根结底是要完成一个从语素(语言学空间)到音素(声学空间)的建模映射，要达成的是一种复杂的非线性的模式映射，采用传统混合高斯技术无法实现高精度、高深度的特征挖掘和表达，容易出错。

发明内容

本发明提供一种电子装置、语音合成方法及计算机可读存储介质，旨在使语音合成结果的具有高精度、自然度和清晰度。

为实现上述目的，本发明提出的电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的语音合成系统，所述语音合成系统被所述处理器执行时实现如下步骤：

A、在收到待进行语音合成的待合成文本后，将该待合成文本中的语句及词组拆分成单字，根据预先确定的单字、发音时长、发音基频三者之间的映射关系，确定各个单字对应的发音时长和发音基频，根据预先确定的发音字典将各个单字拆分成预设类型语音特征，确定出该待合成文本对应的各个单字的语音特征；

B、根据该待合成文本对应的各个单字的语音特征和发音时长，提取出该待合成文本对应的预设类型声学特征向量；

C、将该待合成文本对应的预设类型声学特征向量输入到训练好的预设类型识别模型中，识别出该待合成文本对应的声纹特征；

D、根据该待合成文本对应的声纹特征和各个单字的发音基频，生成该待合成文本对应的语音。

优选地，所述预设类型识别模型为深度前馈网络模型，该深度前馈网络模型是一个五层的神经网络，各层的神经元节点数目分别为:136L-75N-25S-75N-25L，L表示采用线性激活函数，N表示采用正切性激活函数，S表示采用sigmoid激活函数。

优选地，所述预设类型识别模型的训练过程如下：

E1、获取预设数量的训练文本和对应的训练语音；

E2、将各个训练文本中的语句及词组拆分成单字，根据预先确定的发音字典将各个单字拆分成预设类型语音特征，确定出各个训练文本对应的各个单字的语音特征；

E3、根据预先确定的单字和发音时长之间的映射关系，确定各个单字对应的发音时长，根据各个训练文本对应的各个单字的语音特征和发音时长，提取出各个训练文本对应的预设类型声学特征向量；

E4、利用预设滤波器对各个训练语音进行处理以提取出各个训练语音的预设类型声纹特征，根据训练文本和训练语音的映射关系，将各个训练文本的声学特征向量与对应的训练语音的声纹特征进行关联，得到声学特征向量与声纹特征的关联数据；