[发明专利]语音合成方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种语音合成方法、装置、设备及存储介质，用于提升语音的合成效果。语音合成方法包括：获取初始文本，对初始文本进行预处理，得到预处理文本，调用预置的字素转音素模型和预置的映射词典，对预处理文本进行转换，得到音节序列；获取训练文本，基于训练文本和预置的模型无关元学习算法，对预置的声学模型进行优化，得到优化后的声学模型，预置的声学模型为神经网络语音合成模型；调用优化后的声学模型，对音节序列进行编码处理和解码处理，得到梅尔频谱序列；通过预置的声码器，对梅尔频谱序列进行频谱分析，得到目标语音。此外，本发明还涉及区块链技术，目标语音可存储于区块链节点中。

技术领域

本发明涉及语音信号处理领域，尤其涉及一种语音合成方法、装置、设备及存储介质。

背景技术

语音合成，又称文语转换(text to speech,TTS)，是一种可以将任意输入文本转换成相应语音的技术，是自然语言处理领域中一个重要的研究分支。

语音合成的研究历史可以追溯到18至19世纪，从早期的基于规则的机械式、电子式语音合成器，到基于波形拼接、统计参数的语音合成，近年来，深度学习的引入使得语音合成效果得到了显著提升，但是，如果想使得深度学习语音合成的效果变好，必须需要大量的语料库进行训练，现有技术中的语料库获取比较困难，导致合成语音的效果差。

发明内容

本发明提供了一种语音合成方法、装置、设备及存储介质，用于调用预置的字素转音素模型对预处理文本进行转换，得到音节序列，调用优化后的声学模型，对音节序列进行基于声谱的预测，通过声码器合成目标语音，提升了语音的合成效果。

本发明第一方面提供了一种语音合成方法，包括：获取初始文本，对所述初始文本进行预处理，得到预处理文本，调用预置的字素转音素模型和预置的映射词典，对所述预处理文本进行转换，得到音节序列；获取训练文本，基于所述训练文本和预置的模型无关元学习算法，对预置的声学模型进行优化，得到优化后的声学模型，所述预置的声学模型为神经网络语音合成模型；调用所述优化后的声学模型，对所述音节序列进行编码处理和解码处理，得到梅尔频谱序列；通过预置的声码器，对所述梅尔频谱序列进行频谱分析，得到目标语音。

可选的，在本发明第一方面的第一种实现方式中，所述获取初始文本，对所述初始文本进行预处理，得到预处理文本，调用预置的字素转音素模型和预置的映射词典，对所述预处理文本进行转换，得到音节序列包括：获取初始文本，对所述初始文本进行缺失值补全、异常值过滤和重复值过滤，得到预处理文本；调用预置的文本分词工具，对所述预处理文本进行分词处理，得到分词文本；通过预置的字素转音素模型和预置的映射词典，对所述分词文本进行映射转换，得到音节序列，所述音节序列包括声母序列、韵母序列和所述韵母序列对应的声调。

可选的，在本发明第一方面的第二种实现方式中，所述获取训练文本，基于所述训练文本和预置的模型无关元学习算法，对预置的声学模型进行优化，得到优化后的声学模型，所述预置的声学模型为神经网络语音合成模型包括：获取训练文本，所述训练文本包括多个子文本，每一个子文本包括训练集文本和测试集文本；获取预置的声学模型的参数，通过所述训练文本和预置的模型无关元学习算法，计算所述声学模型的损失函数，得到模型损失函数，所述预置的声学模型为神经网络语音合成模型；基于所述模型损失函数求所述声学模型的参数对应的偏导数，得到参数偏导数；基于所述参数偏导数，通过预置的梯度下降法对所述预置的声学模型的所述参数进行更新，得到优化后的声学模型。

可选的，在本发明第一方面的第三种实现方式中，所述调用所述优化后的声学模型，对所述音节序列进行编码处理和解码处理，得到梅尔频谱序列包括：调用所述优化后的声学模型中的编码器，基于预设的字符嵌入层、三卷积层和编码长短期记忆网络，对所述音节序列进行编码运算，得到编码特征；调用所述优化后的声学模型中的解码器，对所述编码特征进行基于注意力机制的解码运算，得到梅尔频谱序列。