[发明专利]语音合成方法、装置及电子设备

说明书

本公开实施例中提供了一种语音合成方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取目标对象针对第一合成语音的反馈数据；利用情绪识别模型对所述反馈数据进行情绪识别，以判断所述目标对象是否存在针对所述第一合成语音的异常情绪；当所述目标对象存在针对所述第一合成语音的异常情绪时，利用纠错模块对所述第一合成语音进行纠错处理，以得到第二合成语音；向所述目标对象播放所述第二合成语音。本公开的方案能够提高语音合成的准确性。

技术领域

本公开涉及数据处理技术领域，尤其涉及一种语音合成方法、装置及电子设备。

背景技术

语音合成的发展历程主要分为三个阶段，分别为波形拼接法、参数合成法和端到端语音合成法。波形拼接合成法，根据需求在语音数据库中寻找相应的发音段，使用恰当的技术手段将所需的语音单元从语音库中查找出来，依次对整句文本进行音频拼接和调整，从而得到目标音频，该方法通过利用增强语音数据库、改进单元挑选策略、与统计方法结合等手段，使得合成的音频有很高的自然度，但同时该方法的缺点也非常明显，即需要建立一个几乎覆盖所有字词的完备语音数据库，这使得该方法的效率十分低下，无法进行实时合成。

接着出现了基于统计建模的参数合成法，参数合成法将TTS的整个过程分为了几个阶段，分别统计语音的韵律、时长等信息，然后在声学模型中进行合成。这种模型的优点是仅需要保存相关参数，不需要大量数据库，能够保证实时性；并且能够人为改善合成过程中出现的问题，如基频、基频波动范围、语速甚至音色等。这种模型的缺点是整体模型过于复杂需要分别维护多个模型，除了一般必须的参数合成模型外，针对特定问题如多音字、儿化音等问题，还需要再增加特定模型才能合成优秀的音色，这使得整体模型规模庞大，不易维护，各个模块组合在一起也会产生新的问题。一旦一个模型出现问题，可能所有模型都要更改，容易造成错误累积；同时难以复现声音细节，对齐问题需要人为矫正，机械感严重。

针对参数法的各项问题，基于端到端模型的TTS合成法成为新的主流合成方法。这种方法摒弃了参数合成中的多个复杂模块结合的方法，直接从文本生成音频。这种端到端的方式，减少了特征工程，只需要输入文本，其他的特征模型均可以通过端到端模型隐式建模。避免了多个子模型的误差传递和积累，各种条件添加方便，如语种、说话人、情感信息等。同时这种模型生成的语音细节丰富，能够大幅度还原人声。但是TTS模型性能不稳定，TTS模型经常会出现错字和多字的情况，如多音字读错的问题等。

发明内容

有鉴于此，本公开实施例提供一种语音合成方法、装置及电子设备，至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种语音合成方法，包括：

获取目标对象针对第一合成语音的反馈数据；

利用情绪识别模型对所述反馈数据进行情绪识别，以判断所述目标对象是否存在针对所述第一合成语音的异常情绪；

当所述目标对象存在针对所述第一合成语音的异常情绪时，利用纠错模块对所述第一合成语音进行纠错处理，以得到第二合成语音；

向所述目标对象播放所述第二合成语音。

根据本公开实施例的一种具体实现方式，所述获取目标对象针对第一合成语音的反馈数据，包括：

在播放完所述第一合成语音之后，采集目标对象针对所述第一合成语音的响应语音；

基于所述响应语音，形成针对第一合成语音的反馈数据。

根据本公开实施例的一种具体实现方式，所述反馈数据中包括针对所述第一合成语音的反馈语义，基于所述反馈语义能够对所述第一合成语音执行纠错操作。

根据本公开实施例的一种具体实现方式，所述利用情绪识别模型对所述反馈数据进行情绪识别，包括：

将包含用户声音的反馈数据输入到所述情绪识别模型中；