[发明专利]语音合成方法、装置、电子设备及计算机可读存储介质

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：

根据待合成文本中不同片段的语义，将所述待合成文本划分为多个待合成子文本；

根据预训练的语音参数预测模型，生成每个待合成子文本对应的语音参数；

基于每个待合成子文本对应的语音参数，生成每个待合成子文本对应的语音片段；

将所述对应的语音片段组合为所述待合成文本对应的合成语音；

其中，所述预训练的语音参数预测模型是基于样本文本、样本文本中不同子文本在真实语音中对应的语音片段的语音参数训练得到的；所述真实语音是对所述样本文本的表现程度满足预设要求的语音。

2.根据权利要求1所述的方法，其特征在于，所述语音参数预测模型通过下述具体步骤训练得到：

根据样本文本中不同片段的语义，将样本文本划分为多个不同的子文本；

利用预置的初始预测模型，并根据所述子文本中词语的词向量，生成所述子文本的文本向量；

基于所述子文本的文本向量，生成所述子文本的预测语音参数；

根据所述多个子文本的预测语音参数与真实语音参数之间的误差，调整所述初始预测模型，以训练得到所述语音参数预测模型；其中，所述真实语音参数是所述子文本在所述真实语音中对应的语音片段的语音参数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述子文本中词语的词向量，生成所述子文本的文本向量，包括：

根据所述子文本中词语的词向量，生成所述子文本的词向量矩阵；

根据所述词向量矩阵，生成所述子文本的初始文本向量；

基于所述子文本的初始文本向量及所述子文本的上下文子文本的初始文本向量，生成所述子文本的文本向量。

4.根据权利要求3所述的方法，其特征在于，所述基于所述子文本的文本向量，生成所述子文本的预测语音参数，包括：

根据所述子文本的文本向量，对所述子文本进行分类，以确定所述子文本对应的类别；其中，不同类别表示不同的语音参数；

将所述子文本对应的类别所表示的语音参数，确定为所述子文本的预测语音参数。

5.根据权利要求1所述的方法，其特征在于，所述基于每个待合成子文本对应的语音参数，生成每个待合成子文本对应的语音片段，包括：

对于每个待合成子文本，将所述待合成子文本转换为初始语音片段；将所述初始语音片段的语音参数调整至所述待合成子文本对应的语音参数，得到所述待合成子文本对应的语音片段；

或者，根据所述待合成子文本对应的语音参数，将所述待合成子文本转换为语音参数均与所述待合成子文本对应的语音参数相匹配的语音片段。

6.根据权利要求1所述的方法，其特征在于，所述根据预训练的语音参数预测模型，生成每个待合成子文本对应的语音参数，包括：

对于每个待合成子文本，利用所述语音参数预测模型，并根据所述待合成子文本中词语的词向量，生成所述待合成子文本的文本向量；

根据所述待合成子文本的文本向量，对所述待合成子文本进行分类，以确定所述待合成子文本对应的类别；其中，不同类别表示不同的语音参数；

将所述待合成子文本对应的类别所表示的语音参数，确定为所述待合成子文本对应的语音参数。

7.根据权利要求6所述的方法，其特征在于，所述根据所述待合成子文本中词语的词向量，生成所述待合成子文本的文本向量，包括：

根据所述待合成子文本中词语的词向量，生成所述待合成子文本的词向量矩阵；

根据所述词向量矩阵，生成所述待合成子文本的初始文本向量；

基于所述待合成子文本的初始文本向量及所述待合成子文本的上下文待合成子文本的初始文本向量，生成所述待合成子文本的文本向量。