[发明专利]语音合成方法、语音合成装置、存储介质及电子设备

权利要求书

1.一种语音合成方法，其特征在于，所述方法包括：

获取待处理文本；

利用第一模型处理所述待处理文本，得到所述待处理文本的中间特征；

利用第二模型处理所述中间特征，得到所述待处理文本的时长特征；

基于所述中间特征与所述时长特征，利用第三模型确定所述待处理文本的声学特征；

根据所述声学特征，合成所述待处理文本的语音；

所述方法还包括：

获取样本数据；

获取初始的第一神经网络模型、第二神经网络模型与第三神经网络模型；

以所述样本数据作为所述第一神经网络模型的输入，以所述第一神经网络模型的输出作为所述第二神经网络模型的输入，以所述样本数据的样本时长信息作为第二神经网络模型的输出，以所述第一神经网络模型的输出与所述样本时长信息作为所述第三神经网络模型的输入，以所述样本数据的样本声学特征作为第三神经网络模型的输出，对所述第一、第二和第三神经网络模型进行训练；

将训练后的所述第一神经网络模型确定为所述第一模型，训练后的所述第二神经网络模型确定为所述第二模型，训练后的所述第三神经网络模型确定为所述第三模型；

所述第一神经网络模型为包含残差连接的卷积网络模型。

2.根据权利要求1所述的方法，其特征在于，所述第三模型包括第一分支模型与第二分支模型；

所述基于所述中间特征与所述时长特征，利用第三模型确定所述待处理文本的声学特征，包括：

利用所述第一分支模型处理所述中间特征与所述时长特征，得到所述待处理文本的第一类声学特征；

利用所述第二分支模型处理所述中间特征与所述时长特征，得到所述待处理文本的第二类声学特征；

所述根据所述声学特征，合成所述待处理文本的语音，包括：

根据所述第一类声学特征与所述第二类声学特征，合成所述待处理文本的语音。

3.根据权利要求2所述的方法，其特征在于，所述第一类声学特征包括以下任意一种或多种：梅尔频率倒谱系数、广义梅尔倒谱系数、谱包络与能量特征；所述第二类声学特征包括以下任意一种或多种：基频、浊音/轻音分类特征与频带非周期分量。

4.根据权利要求3所述的方法，其特征在于，所述第一类声学特征包括广义梅尔倒谱系数，所述第二类声学特征包括基频、浊音/轻音分类特征与频带非周期分量；

所述根据所述第一类声学特征与所述第二类声学特征，合成所述待处理文本的语音，包括：

利用第四模型处理所述待处理文本的广义梅尔倒谱系数，得到所述待处理文本的频谱特征；

根据所述待处理文本的频谱特征与基频、浊音/轻音分类特征、频带非周期分量，合成所述待处理文本的语音。

5.根据权利要求4所述的方法，其特征在于，所述第四模型为卷积网络模型。

6.根据权利要求1所述的方法，其特征在于，所述获取待处理文本之后，所述方法还包括：

提取所述待处理文本的语言学特征；

所述利用第一模型处理所述待处理文本，得到所述待处理文本的中间特征，包括：

利用所述第一模型处理所述语言学特征，得到所述待处理文本的中间特征。