[发明专利]一种语音合成方法及装置

说明书

本发明实施例提供一种语音合成方法和装置，所述方法包括：确定文本特征数据、目标音频的风格特征以及源音频数据的音色特征；所述风格特征包括时长韵律特征、基频特征、能量特征中的至少一种；根据所述文本特征数据、目标音频的风格特征以及所述源音频数据的音色特征进行语音合成，得到合成语音数据；所述合成语音数据具有源音频数据的音色以及目标音频的风格特征。本发明实施例可以使得合成语音具有源音频数据的音色以及目标音频的风格特征，提高了合成语音的情感表现力、更加自然，有效提高语音合成的质量。

技术领域

本发明实施例涉及计算机技术领域，具体涉及一种语音合成方法及装置。

背景技术

语音合成是将文字信息转换为可懂的、流利的语音的技术。现有的语音合成技术，需要录制说话人的高质量音频数据，从音频数据中提取声学特征，再通过神经网络模型进行训练，得到语音合成模型。该语音合成模型的输入为文本信息特征，输出为声学特征。对于给定的任意文本，通过该语音合成模型，可以生成合成语音。由于相同的文本，在不同场景、不同上下文，都会有不同的表达方式。传统语音合成韵律较平，语音合成的效果，不能满足多场合的需求。

发明内容

本发明实施例提供了一种语音合成方法及装置，旨在解决现有技术中语言合成韵律较平、情感不丰富、不自然，语音合成质量不高的问题。

为此，本发明实施例提供如下技术方案：

第一方面，本发明实施例提供了一种语音合成方法，包括：确定文本特征数据、目标音频的风格特征以及源音频数据的音色特征；所述风格特征包括时长韵律特征、基频特征、能量特征中的至少一种；根据所述文本特征数据、目标音频的风格特征以及所述源音频数据的音色特征进行语音合成，得到合成语音数据；所述合成语音数据具有源音频数据的音色以及目标音频的风格特征。

第二方面，本发明实施例提供了一种语音合成装置，包括：确定单元，用于确定文本特征数据、目标音频的风格特征以及源音频数据的音色特征；合成单元，用于根据所述文本特征数据、目标音频的风格特征以及所述源音频数据的音色特征进行语音合成，得到合成语音数据；所述合成语音数据具有源音频数据的音色以及目标音频的风格特征。

第三方面，本发明实施例提供了一种用于语音合成的装置，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：确定文本特征数据、目标音频的风格特征以及源音频数据的音色特征；所述风格特征包括时长韵律特征、基频特征、能量特征中的至少一种；根据所述文本特征数据、目标音频的风格特征以及所述源音频数据的音色特征进行语音合成，得到合成语音数据；所述合成语音数据具有源音频数据的音色以及目标音频的风格特征。

第四方面，本发明实施例提供了一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如第一方面所示的语音合成方法。

本发明实施例提供的语音合成方法及装置，可以确定文本特征数据、目标音频的风格特征以及源音频数据的音色特征，根据所述文本特征数据、目标音频的风格特征以及所述源音频数据的音色特征进行语音合成，得到合成语音数据。由于合成语音数据具有源音频数据的音色以及目标音频的风格特征，因此使得合成的语音更加具有情感表现力，更加自然，提高了语音合成的质量。

附图说明

为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的语音合成方法流程图；

图2为本发明另一实施例提供的语音合成方法流程图；

图3为本发明另一实施例提供的语音合成应用场景示意图；