[发明专利]语音合成方法及装置、语音合成模型的训练方法及装置

权利要求书

1.一种语音合成方法，其特征在于，包括：

确定语音文本中待重读词语的第一位置信息，并对所述语音文本进行韵律预测，得到至少一个第一韵律预测结果，其中所述第一韵律预测结果包括音调预测结果、音量预测结果以及发音时长预测结果中的至少一种；

对所述至少一个第一韵律预测结果中与所述第一位置信息对应语音文本的韵律预测结果进行重读调整，以得到至少一个第二韵律预测结果，其中所述重读调整包括调高音调、增大音量以及降低发音时长中的至少一种；

根据所述至少一个第二韵律预测结果，生成语音合成结果。

2.根据权利要求1所述的语音合成方法，其特征在于，所述对所述至少一个第一韵律预测结果中与所述第一位置信息对应语音文本的韵律预测结果进行调整，以得到至少一个第二韵律预测结果，包括：

在所述至少一个第一韵律预测结果中，确定所述第一位置信息对应语音文本的第一音调预测结果；

获取音调调整值，并基于所述第一音调预测结果和所述音调调整值，得到具有重读效果的音调预测结果。

3.根据权利要求2所述的语音合成方法，其特征在于，所述获取音调调整值，包括：

在所述至少一个第一韵律预测结果中，确定第二位置信息对应语音文本的第二音调预测结果，以及第三位置信息对应语音文本的第三音调预测结果，其中所述第二位置信息为与所述待重读词语相邻的前一个词的位置信息，所述第三位置信息为与所述待重读词语相邻的后一个词的位置信息；

计算所述第一音调预测结果的第一音调均值，所述第二音调预测结果的第二音调均值，以及所述第三音调预测结果的第三音调均值；

基于所述第一音调均值和初始的音调调整值以及预先存储的待合成说话人的音调标准差，获取初始的重读音调值均值；

步骤a：基于所述第一音调均值和第N次更新后的音调调整值以及预先存储的待合成说话人的音调标准差，获取第N次更新后的重读音调值均值，其中N≥1；

重复执行步骤a，获取所述第N次更新后的重读音调值均值，直至所述第N次更新后的重读音调值均值大于所述第二音调均值、所述第三音调均值以及所述第一音调预测结果，且小于预先存储的所述待合成说话人的音调最大值，将所述第N次更新后的音调调整值作为所述音调调整值。

4.根据权利要求1所述的语音合成方法，其特征在于，所述对所述至少一个第一韵律预测结果中与所述第一位置信息对应语音文本的韵律预测结果进行调整，以得到至少一个第二韵律预测结果，包括：

在所述至少一个第一韵律预测结果中，确定所述第一位置信息对应语音文本的第一发音时长预测结果；

计算所述第一发音时长预测结果中的第一发音时长的均值；

获取降速因子，并基于所述第一发音时长的均值和所述降速因子，得到具有重读效果的发音时长预测结果。

5.根据权利要求4所述的语音合成方法，其特征在于，所述获取降速因子，包括：

在所述至少一个第一韵律预测结果中，确定第二位置信息对应语音文本的第二发音时长预测结果，以及第三位置信息对应语音文本的第三发音时长预测结果，其中所述第二位置信息为与所述待重读词语相邻的前一个词的位置信息，所述第三位置信息为与所述待重读词语相邻的后一个词的位置信息；

计算所述第二发音时长预测结果中的第二发音时长的均值，以及所述第三发音时长预测结果中的第三发音时长的均值；

基于所述第一发音时长的均值和初始的降速因子，获取初始的重读发音时长均值；

步骤a：基于所述第一发音时长的均值和第N次更新后的降速因子，获取第N次更新后的重读发音时长均值，其中N≥1；

重复执行步骤a，获取所述第N次更新后的重读发音时长均值，直至所述第N次更新后的重读发音时长均值大于所述第二发音时长的均值和所述第三发音时长的均值，将所述第N次更新后的降速因子作为所述降速因子。