[发明专利]语音合成方法、装置、电子设备及存储介质

说明书

本发明提供的语音合成方法、装置、电子设备及存储介质，方法包括：获取待合成文本的音素数据和说话人标识；将音素数据和说话人标识输入预设的音素特征预测模型，预测目标说话人对应的待合成文本的音素特征；音素特征预测模型是根据多个特定说话人的语料数据训练而成，目标说话人为特定说话人中的一个；根据目标说话人对应的待合成文本的音素特征、音素数据、说话人标识合成待合成文本对应的目标说话人音频。本发明以音素特征预测模型预测目标说话人针对待合成文本的音素特征，以此为约束条件合成的语音中目标说话人音色与真实音色的相似度，提升合成语音的自然度。

技术领域

本发明涉及语音合成技术领域，具体而言，涉及一种语音合成方法、装置、电子设备及存储介质。

背景技术

语音合成(Text-To-Speech，简称TTS)是指将用户输入的文字，转换成流畅自然的语音输出，当前，语音合成涉及多个学科技术，如：声学、语言学、数字信号处理、计算机科学等，它是中文信息处理领域的一项前沿技术。

近年来，随着端到端语音合成技术的发展，人们对目标说话人跨语种语音合成的需求逐渐变高，相关技术采用了将待合成文本的语言学特征向量和目标说话人的说话人向量进行拼接的方式来实现跨语言语音合成,这种方式的缺陷时：合成出来的音频中目标说话人的音色特征与该目标说话人真实的音色特征相似度较低，合成语音的一致性和自然度差。

发明内容

为了解决相关技术存在的缺陷，本发明提供了一种语音合成方法、装置、电子设备及存储介质，以提高合成出来的音频中目标说话人的音色特征与该目标说话人真实的音色特征相似度，提升合成语音的一致性和自然度。

本发明的实施例可以这样实现：

第一方面，本发明提供一种语音合成方法，所述方法包括：获取待合成文本的音素数据和说话人标识；将所述音素数据和所述说话人标识输入预设的音素特征预测模型，预测目标说话人对应的所述待合成文本的音素特征；所述目标说话人为所述说话人标识对应的说话人；其中，所述音素特征预测模型是根据多个特定说话人的语料数据训练而成，每个所述特定说话人对应有至少一个语言种类，所述目标说话人为所述特定说话人中的一个；所述待合成文本对应的语言种类为全部所述特定说话人对应的语言种类的一种；根据所述目标说话人对应的所述待合成文本的音素特征、所述音素数据、所述说话人标识合成所述待合成文本对应的所述目标说话人音频。

第二方面，本发明提供一种语音合成装置，包括：获取模块，用于获取待合成文本的音素数据和说话人标识；预测模块，用于将所述音素数据和所述说话人标识输入预设的音素特征预测模型，预测目标说话人对应的所述待合成文本的音素特征；所述目标说话人为所述说话人标识对应的说话人；其中，所述音素特征预测模型是根据多个特定说话人的语料数据训练而成，每个所述特定说话人对应有至少一个语言种类，所述目标说话人为所述特定说话人中的一个；所述待合成文本对应的语言种类为全部所述特定说话人对应的语言种类的一种；合成模块，用于根据所述目标说话人对应的所述待合成文本的音素特征、所述音素数据、所述说话人标识合成所述待合成文本对应的所述目标说话人音频。

第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现第一方面所述的方法。

第四方面，本发明提供一种存储介质,其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法。