[发明专利]一种基于深度学习的小尺度单元拼接语音合成算法及系统

说明书

本发明涉及一种语音合成的技术领域，揭露了一种基于深度学习的小尺度单元拼接语音合成算法，包括：获取语音合成训练集，并利用自适应加权谱模型提取训练集中语音信号的特征；利用基于波形内插的方法，提取语音信号特征中的特征波形；利用预训练的DNN模型接收用于语音合成的文本信息，并结合目标代价和连接代价选取对应文本信息的特征波形；将所述特征波形与STRAIGHT合成器依据预测的基频特征生成的激励波形进行频域拼接处理，得到合成的语音结果。本发明还提出一种基于深度学习的小尺度单元拼接语音合成系统。本发明实现了语音的合成。

技术领域

本发明涉及语音合成的技术领域，尤其涉及一种基于深度学习的小尺度 单元拼接语音合成算法及系统。

背景技术

近年来，随着移动互联网的兴起和智能手机等移动终端的普日益及，基 于语音识别、自然语言理解和语音合成的人机语音交互技术受到广泛关注并 发展迅速。语音交互方式被认为是最自然、最具前景的人机交互方式，语音 合成技术作为核心之一，也取得了显著的进步。合成的语音在自然度、可懂 度和音质上都有明显改善，在日常生活中应用也比较多，如地图导航、新闻 朗读和手机语音助手等。

传统的语音合成技术有两种比较主流的实现方法，一种是基于HMM的统 计参数合成方法，该方法具有系统尺寸小，计算复杂度低等优势。但合成的 语音和自然语音相比有较大的差距，一般在离线系统中使用。另一种是基于 大语料库的单元挑选与波形拼接合成方法，该方法使用自然语音拼接而成， 合成的语音自然度较好。这类方法因为音库尺寸大，往往部署在云端，移动 设备通过互联网发送请求并接收合成语音，所以需要花费数据流量。

同时随着计算机存储能力的增加，音库尺寸不断增加，基于大语料库的 单元挑选与波形拼接合成方法的使用也越来越广泛。该方法的优势在于保留 了原始语音的音质，在自然度上相对于参数合成方法有了极大的提高。但是 该方法也存在一些缺点和不足，比如合成效果不稳定，单元拼接处存在不连 续现象。为了保证合成效果，需要满足一定的单元覆盖率，传统的基于音素 或者更长尺度单元的拼接合成系统，要求音库的尺寸很大。这导致音库制作 需要花费很大的工作量，增加系统设计的时间和成本。如果音库的尺寸较小，则无法保证单元的覆盖率，合成效果很不稳定，合成语音的音质大大下降。

鉴于此，如何提升合成语音的自然度，成为本领域技术人员亟待解决的 问题。

发明内容

本发明提供一种基于深度学习的小尺度单元拼接语音合成算法，利用自 适应加权谱模型提取训练集中语音信号的特征，并利用基于波形内插的方法， 提取语音信号特征中的特征波形，根据所提取的特征波形，利用预训练的DNN 模型接收用于语音合成的文本信息，并结合目标代价和连接代价选取对应文 本信息的特征波形，同时将所述特征波形与STRAIGHT合成器依据预测的基 频特征生成的激励波形进行了频域拼接处理，实现了语音的合成。

为实现上述目的，本发明提供的一种基于深度学习的小尺度单元拼接语 音合成算法，包括：

获取语音合成训练集，并利用自适应加权谱模型提取训练集中语音信号 的特征；

利用基于波形内插的方法，提取语音信号特征中的特征波形；

利用预训练的DNN模型接收用于语音合成的文本信息，并结合目标代价 和连接代价选取对应文本信息的特征波形；

将所述特征波形与STRAIGHT合成器依据预测的基频特征生成的激励波 形进行频域拼接处理，得到合成的语音结果。

可选地，所述利用自适应加权谱模型提取训练集中语音信号的特征，包 括：

1)利用下式对训练集中语音信号进行短时傅里叶变换处理：

F(ω，t)＝FFT[x(t)w(t)]

x(t)＝v(t)*e(t)