[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

说明书

本发明的实施方式涉及计算机技术领域，更具体地，本发明的实施方式涉及一种语音合成方法、语音合成装置、存储介质及电子设备。该方法包括：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。本发明可以基于对文本的中间特征提取，得到较为充分的时长特征与声学特征，实现更加自然的语音合成，同时简化语音合成模型，提高效率。

技术领域

本发明的实施方式涉及计算机技术领域，更具体地，本发明的实施方式涉及一种语音合成方法、语音合成装置、存储介质及电子设备。

背景技术

本部分旨在为权利要求中陈述的本发明的实施方式提供背景或上下文，此处的描述不因为包括在本部分中就承认是现有技术。

语音合成是将文本转为输出语音的技术，在诸如翻译机、有声阅读、同声传译等场景下都有较重要的应用，是现代人工智能技术中非常重要的一环，属于自然语言处理领域和智能语音领域的交叉应用学科。

随着深度学习技术的发展，基于神经网络的语音合成模型已成为现有技术中广泛使用的方案，通常利用神经网络构建语音合成的时长模型与声学模型，时长模型与声学模型采用串联的形式，例如图1示出了一种典型的时长模型与声学模型结构，在图1中，将文本输入特征输入到左侧由双向长短时记忆单元构成的时长模型，通过时长模型的处理得到时长特征，再以文本输入特征与时长特征作为声学输入特征，通过右侧由双向长短时记忆单元构成的声学模型的处理得到声学特征，从而合成语音。

发明内容

然而，现有技术中，由于语言本身的稀疏性以及人工提取的特征对于文本语言信息表示的不充分性等原因，导致得到的时长特征与声学特征不完全，使得最终合成语音的自然程度较低，并且时长模型与声学模型的设计复杂度较高、参数较多，增加了模型训练的难度，降低了语音合成的效率。

为此，非常需要一种改进的语音合成方法，可以在简化语音合成模型的同时，提高模型对于语言特征表示的充分性，得到自然程度较高的语音，实现高效的语音合成处理。

在本上下文中，本发明的实施方式期望提供一种语音合成方法、语音合成装置、存储介质及电子设备。

根据本发明实施方式的第一方面，提供一种语音合成方法，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。

在本发明的一种实施方式中，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。

在本发明的一种实施方式中，所述第一神经网络模型为包含残差连接的卷积网络模型。