[发明专利]语音合成方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了语音合成方法、装置、计算机设备及存储介质。所述方法包括：获取待合成文本文件；将所述待合成文本文件输入至声谱预测网络内进行提取声学特征，以得到梅尔频谱；将所述梅尔频谱输入至基于静态离散小波变换改进的Mel‑GAN声码器内进行语音合成，以得到语音音频。通过实施本发明实施例的方法可实现快速且有效地提高整个生成波形的最终表现，提升语音合成音频的音质。

技术领域

本发明涉及语音合成方法，更具体地说是指语音合成方法、装置、计算机设备及存储介质。

背景技术

目前，尽管近年来随着语音合成技术的高速发展，基于GAN(生成式对抗网络，Generative Adversarial Networks)的神经网络声码器研究得取得极大的进展，提升了合成音频的音质。基于神经网络的语音合成能够实时合成类似人类自然发音的音频。但是在频率空间中，生成音频和真实音频仍存在差距，从而导致合成音频出现噪声，降低合成音频的音质。

因此，有必要设计一种新的方法，实现快速且有效地提高整个生成波形的最终表现，提升语音合成音频的音质。

发明内容

本发明的目的在于克服现有技术的缺陷，提供语音合成方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：语音合成方法，包括：

获取待合成文本文件；

将所述待合成文本文件输入至声谱预测网络内进行提取声学特征，以得到梅尔频谱；

将所述梅尔频谱输入至基于静态离散小波变换改进的Mel-GAN声码器内进行语音合成，以得到语音音频。

其进一步技术方案为：所述声谱预测网络是通过对文本样本数据以及对应的音频样本数据进行预处理后训练深度学习网络得到的。

其进一步技术方案为：所述基于静态离散小波变换改进的Mel-GAN声码器是通过带有梅尔频谱的音频样本数据训练GAN模型所得的；且所述GAN模型利用一维静态离散小波变换对带有梅尔频谱的音频样本数据进行下采样。

其进一步技术方案为：所述声谱预测网络是通过对文本样本数据以及对应的音频样本数据进行预处理后训练深度学习网络得到的，包括：

获取文本样本数据以及对应的音频样本数据；

对所述文本样本数据进行正则化处理，以得到标准格式文本；

对所述音频样本数据进行去噪和降噪处理，以得到处理后的音频数据；

将标准格式文本以及处理后的音频数据对齐，以得到待训练数据；

构建深度学习网络；

利用待训练数据对所述深度学习网络进行训练，以确定声谱预测网络。

其进一步技术方案为：所述GAN模型采用多尺度鉴别器，多个鉴别器在不同的音频分辨率上运行。

其进一步技术方案为：所述基于静态离散小波变换改进的Mel-GAN声码器是通过带有梅尔频谱的音频样本数据训练GAN模型所得的，包括：

带有梅尔频谱的音频样本数据通过所述GAN模型的一维静态离散小波变换得到多个频率的子带信号，多个频率的子带信号通过所述GAN模型的卷积层进行卷积，以进行语音合成。

本发明还提供了语音合成装置，包括：

文件获取单元，用于获取待合成文本文件；

声学特征提取单元，用于将所述待合成文本文件输入至声谱预测网络内进行提取声学特征，以得到梅尔频谱；