[发明专利]一种语音合成方法和装置

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；

生成所述待合成文本的隐层特征以及韵律特征，并预测所述待合成文本中每一字符的时长；

基于所述待合成文本的隐层特征、韵律特征、以及所述待合成文本中每一字符的时长，生成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，生成所述待合成文本对应的文本语音。

2.根据权利要求1所述的方法，其特征在于，所述生成所述待合成文本的隐层特征以及韵律特征，并预测所述待合成文本中每一字符的时长的步骤，包括：

采用所述待合成文本对应的语种和/或语音风格的声学模型，生成所述待合成文本的隐层特征以及韵律特征，并预测所述待合成文本中每一字符的时长。

3.根据权利要求1或2所述的方法，其特征在于，所述生成所述待合成文本的隐层特征以及韵律特征，并预测所述待合成文本中每一字符的时长的步骤，包括：

将所述待合成文本通过编码器输出所述待合成文本的隐层特征；

将所述隐层特征通过时长模型输出所述待合成文本中每一字符的时长；

将所述隐层特征通过变分自动编码器输出韵律特征。

4.根据权利要求1或2所述的方法，其特征在于，所述基于所述待合成文本的隐层特征、韵律特征、以及所述待合成文本中每一字符的时长，生成所述待合成文本对应的声学特征的步骤，包括：

基于所述待合成文本中每一字符的时长，所述隐层特征的长度进行调整；

将调整后的所述隐层特征以及所述待合成文本的韵律特征通过解码器输出所述待合成文本对应的声学特征。

5.根据权利要求1所述的方法，其特征在于，所述采用所述待合成文本对应的声学特征，生成所述待合成文本对应的文本语音的步骤，包括：

将所述待合成文本对应的声学特征输入预设的声码器中，获取所述声码器输出的所述待合成文本对应的文本语音。

6.根据权利要求2所述的方法，其特征在于，所述声学模型采用如下方式训练得到：

获取一语种的训练文本以及所述训练文本对应的训练音频；

采用所述一语种的训练文本以及所述训练文本对应的训练音频，对待训练的所述声学模型进行训练，得到训练完成的所述语种的声学模型。

7.根据要求6所述的方法，其特征在于，所述一语种的训练文本以及所述训练文本对应的训练音频包括来自若干人的训练文本以及所述训练文本对应的训练音频；

所述采用所述一语种的训练文本以及所述训练文本对应的训练音频，对待训练的所述声学模型进行训练，得到训练完成的所述语种的声学模型的步骤，包括：

采用一语种中若干人的训练文本以及所述训练文本对应的训练音频，对待训练的所述声学模型进行训练，得到训练完成的所述语种的声学模型；

采用所述语种中目标语音风格的训练文本以及所述训练文本对应的训练音频，对待训练的所述声学模型进行训练，得到训练完成的所述目标语音风格的声学模型。

8.根据权利要求2所述的方法，其特征在于，所述声学模型采用如下方式训练得到：

获取训练文本以及所述训练文本对应的训练音频；

提取所述训练音频中的目标声学特征；

将所述训练文本输入待训练的声学模型中，获取所述待训练的声学模型输出的模型声学特征；

比较所述模型声学特征以及所述目标声学特征之间的相似度；

基于所述模型声学特征以及所述目标声学特征之间的相似度，调整所述待训练的声学模型中的模型参数，完成所述声学模型训练。

9.根据权利要求3或8所述的方法，其特征在于，所述时长模型采用如下方式训练得到：

提取所述训练音频中每一字符的标准时长；

将所述训练文本输入编码器中，获取所述编码器输出的所述训练文本的隐层特征；

将所述隐层特征作为输入，将所述训练音频中每一字符的标准时长作为训练目标，对所述待训练的时长模型进行训练，得到时长模型。