[发明专利]语音合成方法及相关装置、电子设备和存储介质

说明书

本申请公开了一种语音合成方法及相关装置、电子设备和存储介质，其中，语音合成方法包括：获取待合成文本、第一语音属性和第二语音属性；其中，第一语音属性包括情感类别、风格类别中至少一者，第二语音属性包括说话人标识；获取具有第一语音属性的全局韵律特征，并基于待合成文本、第一语音属性和第二语音属性进行预测，得到局部韵律特征；其中，全局韵律特征包含句子级韵律特征信息，局部韵律特征包含字词级韵律特征信息；基于待合成文本、全局韵律特征和局部韵律特征进行合成，得到合成语音。上述方案，能够自由合成不同韵律的语音，提升对不同场景的适应性。

技术领域

本申请涉及语音合成技术领域，特别是涉及一种语音合成方法及相关装置、电子设备和存储介质。

背景技术

语音合成技术是人工智能研究领域的分支之一，主要是将文字信息转化为可听的声音信息，也即让机器像人一样说话。

目前，语音合成技术虽然可以产生趋近于自然语音的合成语音，但是合成语音往往代表数据库的平均韵律，故难以适应于诸如小说、新闻、客服、主播等不同场景。例如，在智能交互场景中，现有的智能客服不能和人们的说话情绪产生共情，即使人们已经很生气的情况下，合成的语音依然是语气不变的回答；或者，在小说阅读场景中，小说中旁白对话角色不明，对于不同角色的不同情绪，也是相同语气的合成语音。有鉴于此，如何自由合成不同韵律的语音成为亟待解决的问题。

发明内容

本申请主要解决的技术问题是提供一种语音合成方法及相关装置、电子设备和存储介质，能够自由合成不同韵律的语音，提升对不同场景的适应性。

为了解决上述技术问题，本申请第一方面提供了一种语音合成方法，包括：获取待合成文本、第一语音属性和第二语音属性；其中，第一语音属性包括情感类别、风格类别中至少一者，第二语音属性包括说话人标识；获取具有第一语音属性的全局韵律特征，并基于待合成文本、第一语音属性和第二语音属性进行预测，得到局部韵律特征；其中，全局韵律特征包含句子级韵律特征信息，局部韵律特征包含字词级韵律特征信息；基于待合成文本、全局韵律特征和局部韵律特征进行合成，得到合成语音。

为了解决上述技术问题，本申请第二方面提供了一种语音合成装置，包括：获取模块、全局韵律模块、局部韵律模块和合成模块，获取模块用于获取待合成文本、第一语音属性和第二语音属性；其中，第一语音属性包括情感类别、风格类别中至少一者，第二语音属性包括说话人标识；全局韵律模块用于获取具有第一语音属性的全局韵律特征，局部韵律模块用于基于待合成文本、第一语音属性和第二语音属性进行预测，得到局部韵律特征；其中，全局韵律特征包含句子级韵律特征信息，局部韵律特征包含字词级韵律特征信息；合成模块用于基于待合成文本、全局韵律特征和局部韵律特征进行合成，得到合成语音。

为了解决上述技术问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的语音合成方法。

为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的语音合成方法。

上述方案，获取待合成文本、第一语音属性和第二语音属性，且第一语音属性包括情感类别、风格类别中至少一者，第二语音属性包括说话人标识，基于此再获取具有第一语音属性的全局韵律特征，并基于待合成文本、第一语音属性和第二语音属性进行预测，得到局部韵律特征，且全局韵律特征包含句子级韵律特征信息，局部韵律特征包含字词级韵律特征信息，以及基于待合成文本、全局韵律特征和局部韵律特征进行合成，得到合成语音，一方面在合成过程中参考句子级韵律特征信息，能够把控合成语音整体符合第一语音属性，另一方面在合成过程中还进一步参考字词级韵律特征，能够控制合成语音局部韵律细微变化。故此，能够准确且自由地合成不同韵律的语音，提升对不同场景的适应性。

附图说明

图1是本申请语音合成方法一实施例的流程示意图；