[发明专利]基于双音节混搭的波形拼接方法、装置、设备及存储介质

说明书

本发明公开了一种基于双音节混搭的波形拼接方法，属于语音拼接合成术领域。该方法包括：音库制作：将双音节词的标准音频按韵母切分为前、中、后三段音频，每段音频作为波形拼接所需的基元语音片段保存至音库中；文本预处理：将待转化成语音的文本正则化，对正则化后的文本按说话规则分词以形成短语，并标注拼音和声调；短语波形拼接：以分词之后的短语为单位，将短语中每两个相邻的字作为一个待转化双音节词，根据拼接规则从音库中查找与所述待转化双音节词相对应的基元语音片段；文本音频拼接：按各个短语的顺序，依次拼接各个短语的音频文件为所述文本的语音文件。本发明通过双音节混搭和韵母分割，可合成非常逼真的离线和实时中文语音。

技术领域

本发明涉及语音拼接合成术领域，涉及一种基于双音节混搭的波形拼接方法、装置、设备及存储介质。

背景技术

现有语音合成方法有基于语音特征参数和基于波形拼接两种方法。相对于基于参数的方法，基于波形拼接的语音合成能够得到质量更高的合成语音，声音听起来也更自然，更为接近原始发音人的音色。因此，目前主流的在线语音合成都是偏重于采用基于波形拼接的语音合成方案。

所谓波形拼接就是使用不同长度的录音作为语音库的基础单元，用于合成任意长度的话语。根据输入的文本，拼接音库中相应的基础单元，是一个简单和有效地产生非常自然语音的方案。另一方面从计算复杂度来看，它比其它所有的语音合成方案的复杂度都要小。

但是在进行波形拼接前，找出最合适的语音单元是波形拼接的一项重要任务。一个通用的原则是选取的语音单元越长，合成的语音越自然，但是语音库的规模越庞大，大到可能在一定的工程周期内无法覆盖整个连续发音系统。

发明内容

本发明要解决的技术问题是为了克服现有技术中合成语音的自然度与缩小语音库规模之间的矛盾，提出了一种基于双音节混搭的波形拼接方法、装置、设备及存储介质，既能保证合成高质量的连续语音，又能在较短的时间内覆盖特定场景下的连续发音系统。

本发明是通过下述技术方案来解决上述技术问题：

一种基于双音节混搭的波形拼接方法，包括以下步骤：

音库制作：将双音节词的标准音频按韵母切分为前、中、后三段音频，每段音频作为波形拼接所需的基元语音片段保存至音库中；

文本预处理：将待转化成语音的文本正则化，对正则化后的文本按说话规则分词以形成短语，并标注拼音和声调；

短语波形拼接：以分词之后的短语为单位，将所述短语中每两个相邻的字作为一个待转化双音节词，从音库中查找所述短语中首个待转化双音节词的前、中两段基元语音片段、末个待转化双音节词的中、后两个基元语音片段以及其他待转化双音节词的中段基元语音片段，并按各个待转化双音节词在所述短语中的顺序，将查到的各段基元语音片段依次拼接为所述短语的音频文件；

文本音频拼接：按各个短语在所述待转化成语音的文本中的顺序，将获得的各个短语的音频文件依次直接拼接为所述文本的语音文件。

优选地，在音库制作之前还包括以下步骤：

音频录制：录制专业客服朗读的双音节词，并以双音节词为单位保存为原始音频文件；

静音段分割：切除所述原始音频文件中音频前后的静音部分，将所述音频中的发音部分作为所述双音节词的标准音频保存。

优选地，所述基元语音片段的文件名以该基元语音片段对应的双音节词的拼音、声调和段位命名。

优选地，所述将双音节词的音频按韵母切分为前、中、后三段音频时，以汉字韵母发声波形中部最高点的左边零点作为分界点。

优选地，所述文本预处理具体包括以下步骤：

文本正则化：将所述文本中包含的非中英文字符根据预设的处理规则进行转换；