语音合成方法、装置、终端设备及存储介质制造方法及图纸

本申请适用于人工智能技术领域，提供了一种语音合成方法、装置、终端设备及存储介质，方法包括：通过预设编码器将待合成文本生成为字符嵌入序列；基于注意力机制，确定在每个时间步上的字符嵌入序列对应的注意力权重序列；通过预设解码器利用每个时间步上的字符嵌入序列与注意力权重序列，输出每个时间步对应的目标序列；对于每个时间步，通过预设的停止预测网络利用目标序列和字符嵌入序列确定合成停止标签，合成停止标签用于表征待合成文本的合成状态；若合成停止标签为预设值，则根据预设解码器输出的所有目标序列合成待合成文本对应的线性谱。本方法提高了语音合成效率的可控性。

【技术实现步骤摘要】
语音合成方法、装置、终端设备及存储介质
本申请涉及人工智能
，尤其涉及一种语音合成方法、装置、终端设备及计算机可读存储介质。
技术介绍
语音合成技术可以基于文本合成高质量音频，能够在诸多人机交互场景提升用户体验。目前，语音合成技术主要包括基于参数式的语音合成方法和基于深度学习的语音合成方法。其中基于参数式的语音合成方法所合成的音频质量较低，很容易与人类真实音频区别开来。而基于深度学习的语音合成方法可以合成非常高质量的音频，但是由于待合成语音的长度不一定，通常不能很好地预测待合成语音的停止时间。例如在合成较长语音片段时，在合成过程应该停止的时候，却可能出现发出随机的声音，或者是产生一长段静音片段的情况。可见，当前的语音合成方法存在合成效果不可控的问题。
技术实现思路
有鉴于此，本申请实施例提供了一种语音合成方法、装置、终端设备及计算机可读存储介质，以解决现有技术中语音合成方法存在合成效果不可控的问题。本申请实施例的第一方面提供了一种语音合成方法，包括：通过预设编码器将待合成文本生成为字符嵌入序列；本文档来自技高网...

【技术保护点】
1.一种语音合成方法，其特征在于，包括：/n通过预设编码器将待合成文本生成为字符嵌入序列；/n基于注意力机制，确定在每个时间步上的所述字符嵌入序列对应的注意力权重序列；/n通过预设解码器利用每个所述时间步上的所述字符嵌入序列与所述注意力权重序列，输出每个所述时间步对应的目标序列；/n对于每个时间步，通过预设的停止预测网络利用所述目标序列和所述字符嵌入序列确定合成停止标签，所述合成停止标签用于表征所述待合成文本的合成状态；/n若所述合成停止标签为预设值，则根据所述预设解码器输出的所有目标序列合成所述待合成文本对应的线性谱。/n

【技术特征摘要】
1.一种语音合成方法，其特征在于，包括：
通过预设编码器将待合成文本生成为字符嵌入序列；
基于注意力机制，确定在每个时间步上的所述字符嵌入序列对应的注意力权重序列；
通过预设解码器利用每个所述时间步上的所述字符嵌入序列与所述注意力权重序列，输出每个所述时间步对应的目标序列；
对于每个时间步，通过预设的停止预测网络利用所述目标序列和所述字符嵌入序列确定合成停止标签，所述合成停止标签用于表征所述待合成文本的合成状态；
若所述合成停止标签为预设值，则根据所述预设解码器输出的所有目标序列合成所述待合成文本对应的线性谱。


2.根据权利要求1所述的语音合成方法，其特征在于，所述通过预设编码器将待合成文本生成为字符嵌入序列，包括：
获取所述待合成文本，将所述待合成文本生成为字符嵌入向量；
通过预设编码器将所述字符嵌入向量编码为字符嵌入序列。


3.根据权利要求1所述的语音合成方法，其特征在于，所述通过预设解码器利用每个所述时间步上的所述字符嵌入序列与所述注意力权重序列，输出每个所述时间步对应的目标序列，包括：
在每个所述时间步上，通过所述预设解码器利用所述字符嵌入序列中的每个序列位置，以及所述序列位置对应的权重值进行点乘，得到多个乘积结果；
将多个所述乘积结果进行求和，并将求和结果作为所述时间步对应的目标序列。


4.根据权利要求1所述的语音合成方法，其特征在于，对于每个时间步，通过预设的停止预测网络利用所述目标序列和所述字符嵌入序列确定合成停止标签，包括：
对于每个所述时间步，确定所述注意力权重序列中若干个最大权重值对应在所述字符嵌入序列中的若干个位置序列，与所述字符嵌入序列的最后一个位置序列之间的相对位置序列；
根据所述时间步的时刻，通过预设的停止预测网络利用所述目标序列和所述相对位置序列确定合成停止标签。


5.根据权利要求4述的语音合成方法，其特征在于，所述根据所述时间步的步数，通过预设的停止预测网络利用所述目标序列和所述相对位置序列确定合成停止标签，包括：
若所述时间步的时刻不大于预设时刻，则将所述时间步之前的n个时刻的所述...

【专利技术属性】
技术研发人员：梁爽，缪陈峰，马骏，王少军，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44