[发明专利]基于用户音色进行语音合成的方法及装置

权利要求书

1.一种基于用户音色进行语音合成的方法，其特征在于，包括：

获取用户输入的用户音频数据，并确定所述用户音频数据的用户音色特征；

根据所述用户音色特征和测试数据合成与所述测试数据对应的测试音频数据并播放，并接收用户指向所述测试音频数据的播放调整指令；

根据所述播放调整指令修正所述用户音色特征，将修正后的用户音色特征作为最终的标准音色特征；

根据所述标准音色特征和待播放数据合成与所述待播放数据对应的目标音频数据；

获取用户输入的发送指令，所述发送指令中包括音频接收端标识；

将所述目标音频数据发送给所述音频接收端标识所对应的音频接收端，由所述音频接收端将所述目标音频数据作为自身的音频播放源；

所述获取用户输入的用户音频数据包括：

以预设采样率依次采集当前的环境噪声和用户音频数据，所述预设采样率不小于预设阈值；

在所述环境噪声和所述用户音频数据的幅值均不超过相应的预设幅值时，根据所述环境噪声和所述用户音频数据确定信噪比；

在所述信噪比不小于预设信噪比阈值时，将当前采集的所述用户音频数据作为有效的用户音频数据。

2.根据权利要求1所述的方法，其特征在于，在所述信噪比不小于预设信噪比阈值时，将当前采集的所述用户音频数据作为有效的用户音频数据包括：

根据所述环境噪声对所述用户音频数据进行补偿处理，将补偿处理后的用户音频数据作为最终有效的用户音频数据。

3.根据权利要求1所述的方法，其特征在于，所述获取用户输入的用户音频数据包括：

分段获取用户输入的用户音频子数据，将所有的所述用户音频子数据组合成为与所述用户对应的用户音频数据。

4.根据权利要求3所述的方法，其特征在于，所述将所有的所述用户音频子数据组合成为与所述用户对应的用户音频数据包括：

对每段用户音频子数据进行声纹识别处理，并确定每段用户音频子数据的声纹特征；

分别确定当前用户音频子数据与其他用户音频子数据之间的声纹特征相似度，在所述当前用户音频子数据的声纹特征相似度小于预设相似度的相似度数量大于预设数值或预设比例时，将所述当前用户音频子数据作为无效的用户音频子数据；

清除无效的用户音频子数据，并将剩余的所有的用户音频子数据组合成为与所述用户对应的用户音频数据。

5.一种基于用户音色进行语音合成的装置，其特征在于，包括：

第一获取模块，用于获取用户输入的用户音频数据，并确定所述用户音频数据的用户音色特征；

第一合成模块，用于根据所述用户音色特征和测试数据合成与所述测试数据对应的测试音频数据并播放，并接收用户指向所述测试音频数据的播放调整指令；

修正模块，用于根据所述播放调整指令修正所述用户音色特征，将修正后的用户音色特征作为最终的标准音色特征；

第二合成模块，用于根据所述标准音色特征和待播放数据合成与所述待播放数据对应的目标音频数据；

第二获取模块，用于获取用户输入的发送指令，所述发送指令中包括音频接收端标识；

发送模块，用于将所述目标音频数据发送给所述音频接收端标识所对应的音频接收端，由所述音频接收端将所述目标音频数据作为自身的音频播放源；

所述第一获取模块包括：

采集单元，用于以预设采样率依次采集当前的环境噪声和用户音频数据，所述预设采样率不小于预设阈值；

处理单元，用于在所述环境噪声和所述用户音频数据的幅值均不超过相应的预设幅值时，根据所述环境噪声和所述用户音频数据确定信噪比；在所述信噪比不小于预设信噪比阈值时，将当前采集的所述用户音频数据作为有效的用户音频数据。

6.根据权利要求5所述的装置，其特征在于，在所述信噪比不小于预设信噪比阈值时，所述处理单元用于：

根据所述环境噪声对所述用户音频数据进行补偿处理，将补偿处理后的用户音频数据作为最终有效的用户音频数据。