[发明专利]基于人工智能的音频生成方法、装置、设备及存储介质

权利要求书

1.一种基于人工智能的音频生成方法，其特征在于，所述方法包括：

对文本对应的音素序列进行编码处理，得到所述音素序列的上下文表征；

基于所述音素序列中的每个音素对应的第一帧隐含状态，确定所述第一帧隐含状态相对于所述上下文表征的对齐位置；

当所述对齐位置对应所述上下文表征中的非末尾位置时，基于所述上下文表征以及所述第一帧隐含状态进行解码处理，得到第二帧隐含状态；

基于所述第一帧隐含状态以及所述第二帧隐含状态进行合成处理，得到所述文本对应的音频数据。

2.根据权利要求1所述的方法，其特征在于，

所述第一帧隐含状态表示第一帧的隐含状态，所述第二帧隐含状态表示第二帧的隐含状态，所述第一帧与所述第二帧为所述音素对应的频谱数据中任意相邻的两帧；

当将所述第一帧隐含状态记为第t帧隐含状态时，所述基于所述音素序列中的每个音素对应的第一帧隐含状态，确定所述第一帧隐含状态相对于所述上下文表征的对齐位置，包括：

针对所述音素序列中的每个音素执行以下处理：

基于所述音素对应的所述第t帧隐含状态，确定所述第t帧隐含状态相对于所述上下文表征的对齐位置；

所述当所述对齐位置对应所述上下文表征中的非末尾位置时，基于所述上下文表征以及所述第一帧隐含状态进行解码处理，得到第二帧隐含状态，包括：

当所述第t帧隐含状态相对于所述上下文表征的对齐位置对应所述上下文表征中的非末尾位置时，基于所述上下文表征以及所述第t帧隐含状态进行解码处理，得到第t+1帧隐含状态；

其中，t为从1开始递增的自然数且取值满足1≤t≤T，T为所述对齐位置对应所述上下文表征中的末尾位置时所述音素序列对应的总帧数，所述总帧数表示所述音素序列中每个音素的隐含状态所对应的频谱数据的帧数。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一帧隐含状态以及所述第二帧隐含状态进行合成处理，得到所述文本对应的音频数据，包括：

当所述对齐位置对应所述上下文表征中的末尾位置时，对T帧隐含状态进行拼接处理，得到所述文本对应的隐含状态；

对所述文本对应的隐含状态进行平滑处理，得到所述文本对应的频谱数据；

对所述文本对应的频谱数据进行傅里叶变换，得到所述文本对应的音频数据。

4.根据权利要求2所述的方法，其特征在于，所述基于所述音素对应的第t帧隐含状态，确定所述第t帧隐含状态相对于所述上下文表征的对齐位置，包括：

基于所述音素对应的第t帧隐含状态进行高斯预测处理，得到所述第t帧隐含状态对应的第t高斯参数；

基于所述第t高斯参数确定所述第t帧隐含状态相对于所述上下文表征的对齐位置。

5.根据权利要求4所述的方法，其特征在于，所述基于所述音素对应的第t帧隐含状态进行高斯预测处理，得到所述第t帧隐含状态对应的第t高斯参数，包括：

基于所述音素对应的第t帧隐含状态进行基于高斯函数的预测处理，得到所述第t帧隐含状态对应的第t高斯方差以及第t高斯均值变化量；

获取第t-1帧隐含状态对应的第t-1高斯参数；

将所述第t-1高斯参数包括的第t-1高斯均值与所述第t高斯均值变化量进行加和处理，将得到的加和结果作为所述第t帧隐含状态对应的第t高斯均值；

将所述第t高斯方差以及所述第t高斯均值的集合作为所述第t帧隐含状态对应的第t高斯参数；

所述基于所述第t高斯参数确定所述第t帧隐含状态相对于所述上下文表征的对齐位置，包括：

将所述第t高斯均值作为所述第t帧隐含状态相对于所述上下文表征的对齐位置。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获取所述音素序列的上下文表征的内容文本长度；

当所述第t高斯均值大于所述内容文本长度时，确定所述对齐位置对应所述上下文表征中的末尾位置；

当所述第t高斯均值小于或者等于所述内容文本长度时，确定所述对齐位置对应所述上下文表征中的非末尾位置。