[发明专利]文本到语音的转换方法、装置和计算机设备

说明书

本申请提出一种文本到语音的转换方法、装置和计算机设备，上述文本到语音的转换方法包括：获取待转换文本对应的帧；获取所述帧中当前帧对应音子的向量特征和文本韵律特征，以及获取所述当前帧的上一帧对应的线性谱的映射特征；将获取的向量特征、文本韵律特征和映射特征输入预先训练的神经网络模型，获得所述当前帧对应的线性谱；在获得所述待转换文本对应的帧的线性谱之后，根据所述待转换文本对应的帧的线性谱，获得所述待转换文本对应的语音。本申请可以实现直接根据待转换文本对应的帧的线性谱，获得待转换文本对应的语音，由于未引入近似误差，因此获得的语音的音质更佳，整体流畅度更好。

技术领域

本申请涉及语音合成技术领域，尤其涉及一种文本到语音的转换方法、装置和计算机设备。

背景技术

TTS是从文本到语音(Text To Speech)的缩写，是人机对话的一部分，目的是让机器能够根据文本说话。音子是人类说话的最小发声单元，在中文中，音子就是每一个声母或韵母。为了能让机器能根据文本发出对应的声音，需要对每一个音子的声学模型进行建模。

现有相关技术中使用声码器进行建模，这种建模方法先将语音信号进行分帧处理，然后对每一帧的声学模型分成三块进行建模：(1)这一帧是否需要发声；(2)这一帧的基础频率；(3)这一帧相对于基础频率的冲击响应。但是这种方法由于使用了人类研究得出的先验知识进行了近似，因而有一定的信息损失，使得最终合成的声音效果机械感比较重，听感较差，无法和自然人声相比。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种文本到语音的转换方法，以实现直接根据待转换文本对应的帧的线性谱，获得待转换文本对应的语音，由于未引入近似误差，因此获得的语音的音质更佳，整体流畅度更好。

本申请的第二个目的在于提出一种文本到语音的转换装置。

本申请的第三个目的在于提出一种计算机设备。

本申请的第四个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种文本到语音的转换方法，包括：获取待转换文本对应的帧；获取所述帧中当前帧对应音子的向量特征和文本韵律特征，以及获取所述当前帧的上一帧对应的线性谱的映射特征；将获取的向量特征、文本韵律特征和映射特征输入预先训练的神经网络模型，获得所述当前帧对应的线性谱；在获得所述待转换文本对应的帧的线性谱之后，根据所述待转换文本对应的帧的线性谱，获得所述待转换文本对应的语音。

本申请实施例的文本到语音的转换方法中，获取待转换文本对应的帧之后，获取上述帧中当前帧对应音子的向量特征和文本韵律特征，以及获取上述当前帧的上一帧对应的线性谱的映射特征，然后将获取的向量特征、文本韵律特征和映射特征输入预先训练的神经网络模型，获得上述当前帧对应的线性谱。在获得待转换文本对应的帧的线性谱之后，根据上述待转换文本对应的帧的线性谱，获得上述待转换文本对应的语音，从而可以实现直接根据待转换文本对应的帧的线性谱，获得待转换文本对应的语音，由于未引入近似误差，因此获得的语音的音质更佳，整体流畅度更好。

为达上述目的，本申请第二方面实施例提出了一种文本到语音的转换装置，包括：获取模块，用于获取待转换文本对应的帧；获取所述帧中当前帧对应音子的向量特征和文本韵律特征，以及获取所述当前帧的上一帧对应的线性谱的映射特征；输入模块，用于将所述获取模块获取的向量特征、文本韵律特征和映射特征输入预先训练的神经网络模型，获得所述当前帧对应的线性谱；转换模块，用于在获得所述待转换文本对应的帧的线性谱之后，根据所述待转换文本对应的帧的线性谱，获得所述待转换文本对应的语音。