[发明专利]将文本转换为语音的系统及其存储介质

说明书

本公开涉及将文本转换为语音的系统及其存储介质。用于从文本生成语音的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。系统之一包括一个或多个计算机和存储指令的一个或多个存储设备，当指令被一个或多个计算机执行时，使得一个或多个计算机实施：序列到序列递归神经网络，其被配置为：接收以特定自然语言的字符序列，并处理该字符序列以生成以特定自然语言的字符序列的言语表达的谱图；以及子系统，其被配置为：接收以特定自然语言的字符序列，并将该字符序列作为输入提供给序列到序列递归神经网络，以获得以特定自然语言的字符序列的言语表达的谱图作为输出。

分案说明

本申请属于申请日为2018年3月29日的中国发明专利申请201880021978.2的分案申请。

相关申请的交叉引用

本申请是于2017年3月29日提交的希腊专利申请第20170100126号的非临时申请，并要求其优先权，该申请的全部内容通过引用结合于此。

技术领域

本说明书涉及使用神经网络将文本转换为语音。

背景技术

神经网络是机器学习模型，它采用非线性单元的一层或多层来预测接收输入的输出。一些神经网络除了输出层之外还包括一个或多个隐藏层。每个隐藏层的输出被用作网络中下一层(即下一隐藏层或输出层)的输入。网络的每一层根据相应参数集的当前值从接收输入生成输出。

一些神经网络是递归神经网络。递归神经网络是接收输入序列并从输入序列生成输出序列的神经网络。具体地，递归神经网络可以在计算在当前时间步(time step)中的输出时使用来自前一时间步的网络的一些或全部内部状态。递归神经网络的一个示例是包括一个或多个长短期(long short term，LSTM)存储器块的LSTM神经网络。每个LSTM存储器块可以包括一个或多个单元，每个单元包括输入门、遗忘门和输出门，其允许单元存储单元的先前状态，例如，用于在生成电流激活时使用或被提供给LSTM神经网络的其他组件。

发明内容

本说明书描述了在一个或多个位置的一个或多个计算机上实施为将文本转换为语音的计算机程序的系统。

一般而言，一个创新方面可以体现在一种系统，该系统包括一个或多个计算机和存储指令的一个或多个存储设备，当由一个或多个计算机执行该指令时，使得一个或多个计算机实施：序列到序列递归神经网络，其被配置为：接收以特定自然语言的字符序列，并处理字符序列以生成以特定自然语言的字符序列的言语表达的谱图；以及子系统，被配置为：接收以特定自然语言的字符序列，并将该字符序列作为输入提供给序列到序列递归神经网络，以获得以特定自然语言的字符序列的言语表达的谱图作为输出。子系统还可以被配置为使用以特定自然语言的输入的字符序列的言语表达的谱图来生成语音；并且提供生成的语音用于回放。

本说明书中描述的主题可以在特定实施例中实施，以便实现一个或多个以下优点。通过在帧级(frame level)生成语音，本说明书中描述的系统可以比其他系统更快地从文本生成语音，同时生成具有相当的质量或甚至更好质量的语音。另外，如下文将更详细解释的，本文描述的系统可以减小模型大小、训练时间和推理时间，并且还可以显著提高收敛速度。本说明书中描述的系统可以生成高质量的语音，而不需要手动设计的语言特征或复杂组件，例如，不需要隐马尔可夫模型(Hidden Markov Model，HMM)对准器，从而降低复杂性并使用更少的计算资源，同时仍然生成高质量的语音。

本说明书主题的一个或多个实施例的细节在附图和以下描述中阐述。从说明书、附图和权利要求书中，主题的其他特征、方面和优点将变得显而易见。

附图说明

图1示出了示例文本到语音转换系统。

图2示出了示例CBHG神经网络。

图3是用于将字符序列转换为语音的示例过程的流程图。