[发明专利]一种情感语音的合成方法及合成装置

说明书

本申请提供了一种情感语音的合成方法及合成装置，包括：确定待合成情感语音所对应的原始文本、目标情感、目标音色和情感音色；拆分原始文本以得到构成原始文本的多个目标音节；基于目标情感和情感音色对多个目标音节中的每个目标音节进行映射处理，得到每个目标音节的语音学语音特征序列；整合每个目标音节的语音学语音特征序列，得到原始文本的所对应的语音特征；利用语音特征和目标音色，合成目标情感语音。这样，在合成多音色的情感语音时，不必针对每种目标音色收集不同目标情感的语音数据，仅需收集一个或少数音色不同目标情感的语音数据，从而降低了多音色情感语音合成的成本，减少了相应音色的说话人的情感表现能力对语音质量的影响。

技术领域

本申请涉及语音合成技术领域，尤其是涉及一种情感语音的合成方法及合成装置。

背景技术

近几年来，随着机器学习尤其是深度学习领域相关技术研究取得突飞猛进的进展，促进了人机交互方式的极大转变，同时也伴随着越来越多的商业化产品的落地。语音交互作为一种新型模式，不仅带来了崭新的用户体验，也扩大了各个产品设计思路及应用场景。语音合成系统作为语音交互闭环的核心系统之一，如何合成出多音色的多情感语音是语音合成领域的重要研究课题。

现有技术中，在合成多音色的多情感语音时，需要收集每种音色不同种情感的语音数据，这极大地提高了语音合成系统的构建成本，同时，具有相应音色的说话人的情感表现能力也影响了合成语音的质量。

发明内容

有鉴于此，本申请的目的在于提供一种情感语音的合成方法及合成装置，通过该合成方法及合成装置，能够根据目标情感和情感音色确定原始文本的语音特征，并基于原始文本的语音特征和目标音色，合成目标情感语音；通过这种方式，在需要合成不同目标音色和不同目标情感的语音时，不必针对每种目标音色收集不同目标情感的语音数据，仅需收集一个或少数音色不同目标情感的语音数据即可，从而降低了情感语音合成的成本，减少了具有相应音色的说话人的情感表现能力对语音质量的影响，提高了语音交互的服务体验。

本申请实施例提供了一种情感语音的合成方法，所述合成方法包括：

确定待合成情感语音所对应的原始文本、目标情感、目标音色和情感音色；

拆分所述原始文本以得到构成所述原始文本的多个目标音节；

基于所述目标情感和所述情感音色对所述多个目标音节中的每个目标音节进行映射处理，得到每个目标音节的语音特征序列；所述语音特征序列包括以下项中的至少一项：发音时长、音高和能量；

整合所述多个目标音节中的每个目标音节的语音特征序列，得到所述原始文本所对应的语音特征；

利用所述原始文本的语音特征和所述目标音色，合成与所述原始文本对应的且具有所述目标情感和所述目标音色的目标情感语音。

进一步的，所述确定待合成情感语音所对应的原始文本、目标情感、目标音色和情感音色的步骤，包括：

响应于情感语音合成指令，获取待合成情感语音所对应的原始文本、目标情感和目标音色；

查找预定情感音库，当所述目标情感对应一个音色时，将所述对应的音色确定为情感音色；

当所述目标情感对应多个音色时，利用自然语言处理技术对所述原始文本进行语义分析，确定所述原始文本中包含的情感的情感强度；

从所述目标情感对应的多个音色中筛选出与所述情感强度相符的音色，并将与所述情感强度相符的音色作为所述情感音色；其中，音色与所述情感强度相符是指在所述预定情感音库包括的多个样本语音中，与该音色对应且具有所述目标情感的至少一个样本语音中所蕴含的目标情感的强度与所述情感强度相符。

进一步的，所述基于所述目标情感和所述情感音色对所述多个目标音节中的每个目标音节进行映射处理，得到每个目标音节的语音学语音特征序列的步骤，包括：