[发明专利]一种音频合成方法及相关方法和设备

说明书

本发明提供了一种音频合成方法及相关方法和设备，音频合成方法包括：获取目标文本，并合成目标文本对应的音频；确定目标文本在情感空间中的位置；根据目标文本在情感空间中的位置以及背景音乐集中的每首背景音乐在情感空间中的位置，确定目标文本与背景音乐集中的每首背景音乐在情感空间中的距离；根据确定出的距离从背景音乐集中确定与目标文本匹配的背景音乐；将与目标文本匹配的背景音乐与目标文本对应的音频融合。经由本发明提供音频合成方法，可合成出目标文本对应的融合有背景音乐的音频，并且，由于本发明能够从背景音乐集中确定出情感与目标文本匹配的背景音乐，因此，最终能够得到融合有情感与目标文本的情感匹配的背景音乐的音频。

技术领域

本发明涉及音频合成技术领域，尤其涉及一种音频合成方法及相关方法和设备。

背景技术

文本作为最基础的信息载体，也是最常见的大众情感表达的方法。随着文本转语音技术（TTS）的发展，文本可以流畅且自然的转换为对应的音频，即，基于TTS技术，可合成出文本对应的音频，有声读物就是TTS技术的一项成功的使用场景。

可以理解的是，若能将文本转换为具有背景音乐的音频，即合成出文本对应的具有背景音乐的音频，将能大大提升用户体验。然而，基于TTS技术，只能合成出文本对应的无背景音乐的音频，可见，如何合成出文本对应的具有背景音乐的音频是目前亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种音频合成方法及相关方法和设备，用以合成出文本对应的具有背景音乐的音频，其技术方案如下：

一种音频合成方法，包括：

获取目标文本，并合成所述目标文本对应的音频；

确定所述目标文本在情感空间中的位置；

根据所述目标文本在所述情感空间中的位置，以及背景音乐集中的每首背景音乐在所述情感空间中的位置，确定所述目标文本与所述背景音乐集中的每首背景音乐在所述情感空间中的距离；

根据所述目标文本与所述背景音乐集中的每首背景音乐在所述情感空间中的距离，从所述背景音乐集中确定与所述目标文本匹配的背景音乐；

将与所述目标文本匹配的背景音乐与所述目标文本对应的音频进行融合。

可选的，与所述目标文本匹配的背景音乐为多首；

所述将与所述目标文本匹配的背景音乐与所述目标文本对应的音频进行融合，包括：

将与所述目标文本匹配的多首背景音乐与所述目标文本对应的音频进行融合。

可选的，所述情感空间为由设定情感属性维度组成的空间；

所述目标文本在所述情感空间中的位置通过所述目标文本在所述设定情感属性维度对应的情感属性值表征；一背景音乐在所述情感空间中的位置通过该音乐在所述设定情感属性维度对应的情感属性值表征。

可选的，所述确定所述目标文本在情感空间中的位置，包括：基于预先构建的文本情感属性值预测模型，预测所述目标文本在所述设定情感属性维度对应的情感属性值，其中，所述文本情感属性值预测模型采用标注有所述设定情感属性维度对应的情感属性值的训练文本训练得到；

确定一背景音乐在所述情感空间中的位置，包括：

基于预先构建的音乐情感属性值预测模型，预测该背景音乐在所述设定情感属性维度对应的情感属性值，其中，所述音乐情感属性值预测模型采用标注有所述设定情感属性维度对应的情感属性值的训练背景音乐训练得到。

可选的，所述文本情感属性值预测模型和所述音乐情感属性值预测模型均为回归模型；

所述文本情感属性值预测模型能够将输入的文本映射到连续的情感空间，所述音乐情感属性值预测模型能够将输入的背景音乐映射到连续的情感空间。