[发明专利]一种语音合成方法、装置、电子设备及存储介质

权利要求书

1.一种语音合成方法，其特征在于，包括：

获取待合成文本；

根据所述待合成文本的音素序列，确定所述待合成文本的文本特征；

根据输入的情感标签和情感强度值，确定所述待合成文本的情感特征；

融合所述文本特征和所述情感特征，得到所述待合成文本对应的情感文本特征；

根据所述情感文本特征，确定所述待合成文本对应的声学特征；

根据所述待合成文本对应的声学特征合成目标情感语音。

2.根据权利要求1所述的语音合成方法，其特征在于，所述根据输入的情感标签和情感强度值，确定所述待合成文本的情感特征，包括：

确定输入的情感标签对应的独热编码向量；

根据所述独热编码向量和预设的情感词典，得到所述情感标签对应的情感编码信息；

根据所述情感编码信息和输入的情感强度值，得到所述待合成文本的情感特征。

3.根据权利要求1所述的语音合成方法，其特征在于，所述根据所述情感文本特征，确定所述待合成文本对应的声学特征，包括：

将所述情感文本特征输入至声学特征模型，得到所述音素序列中各音素的时长特征、基频特征和能量特征；

将所述情感文本特征与所述音素序列中各音素的时长特征、基频特征和能量特征进行融合，得到目标融合文本特征；

根据所述目标融合文本特征，得到所述待合成文本对应的声学特征。

4.根据权利要求3所述的语音合成方法，其特征在于，所述将所述情感文本特征输入至声学特征模型，得到所述音素序列中各音素的时长特征，包括：

将所述情感文本特征输入至声学特征模型的时长预测网络，得到所述音素序列中各音素的预测时长特征；

获取输入的时长调整系数；

根据所述时长调整系数对所述音素序列中各音素的预测时长特征进行调整，得到所述音素序列中各音素的时长特征。

5.根据权利要求3所述的语音合成方法，其特征在于，所述将所述情感文本特征输入至声学特征模型，得到所述音素序列中各音素的基频特征，包括：

将所述情感文本特征输入至所述声学特征模型的基频预测网络，得到所述音素序列中各音素的预测基频特征；

获取输入的基频调整值和预设基频调整方式；

根据所述基频调整值和所述预设基频调整方式，对所述音素序列中各音素的预测基频特征进行调整，得到所述音素序列中各音素的基频特征。

6.根据权利要求3所述的语音合成方法，其特征在于，所述将所述情感文本特征输入至声学特征模型，得到所述音素序列中各音素的能量特征，包括：

将所述情感文本特征与所述音素序列中各音素的基频特征进行融合，得到第一融合文本特征；

将所述第一融合文本特征输入至所述声学特征模型的能量预测网络，得到所述音素序列中各音素的预测能量特征；

获取输入的能量调整值和预设能量调整方式；

根据所述能量调整值和所述预设能量调整方式，对所述音素序列中各音素的预测能量特征进行调整，得到所述音素序列中各音素的能量特征。

7.一种语音合成装置，其特征在于，包括：

文本获取单元，被配置为执行获取待合成文本；

文本特征确定单元，被配置为执行根据所述待合成文本的音素序列，确定所述待合成文本的文本特征；

情感特征确定单元，被配置为执行根据输入的情感标签和情感强度值，确定所述待合成文本的情感特征；

第一融合单元，被配置为执行融合所述文本特征和所述情感特征，得到所述待合成文本对应的情感文本特征；

声学特征确定单元，被配置为执行根据所述情感文本特征，确定所述待合成文本对应的声学特征；

语音合成单元，被配置为执行根据所述待合成文本对应的声学特征合成目标情感语音。

8.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的语音合成方法。