[发明专利]语音合成方法、装置、可读介质及电子设备

说明书

本公开涉及一种语音合成方法、装置、可读介质及电子设备，涉及电子信息处理技术领域，该方法包括：获取待合成文本和指定情感类型，提取待合成文本对应的音素序列，音素序列中包括多个音素，将音素序列和指定情感类型，输入预先训练的语音合成模型，以得到语音合成模型输出的，待合成文本对应的具有指定情感类型的目标音频，目标音频中每个音素对应的音频帧，与声学特征序列中该音素对应的声学特征匹配，声学特征序列为语音合成模型根据音素序列确定的，声学特征序列包括每个音素对应的声学特征，声学特征用于指示该音素的韵律特征。本公开能够通过指定情感类型来控制目标音频具有的情感，同时通过声学特征来控制目标音频中音素级别的韵律。

技术领域

本公开涉及电子信息处理技术领域，具体地，涉及一种语音合成方法、装置、可读介质及电子设备。

背景技术

随着电子信息处理技术的不断发展，语音作为人们获取信息的重要载体，已经被广泛应用于日常生活和工作中。涉及语音的应用场景中，通常会包括语音合成的处理，语音合成是指将用户指定的文本，合成为音频。语音合成过程中，可以指定具体的情感类型，来合成具有相应情感的语音。在真实的说话场景中，同一种情感也会有不同的情感强度、情感表现，例如一个说话人按照相同的情感，两次朗读同一句话，其中的情感强度、情感表现均会发生变化。然而，通常情况下，合成出的语音，在情感强度、情感表现方面通常是一致的，导致语音的表现力过于单一，很难满足用户的需求。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种语音合成方法，所述方法包括：

获取待合成文本和指定情感类型；

提取所述待合成文本对应的音素序列，所述音素序列中包括多个音素；

将所述音素序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，所述目标音频中每个所述音素对应的音频帧，与声学特征序列中该音素对应的声学特征匹配，所述声学特征序列为所述语音合成模型根据所述音素序列确定的，所述声学特征序列包括每个所述音素对应的声学特征，所述声学特征用于指示该音素的韵律特征。

第二方面，本公开提供一种语音合成装置，所述装置包括：

第一获取模块，用于获取待合成文本和指定情感类型；

提取模块，用于提取所述待合成文本对应的音素序列，所述音素序列中包括多个音素；

合成模块，用于将所述音素序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，所述目标音频中每个所述音素对应的音频帧，与声学特征序列中该音素对应的声学特征匹配，所述声学特征序列为所述语音合成模型根据所述音素序列确定的，所述声学特征序列包括每个所述音素对应的声学特征，所述声学特征用于指示该音素的韵律特征。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。