语音合成的方法、装置以及存储介质制造方法及图纸

本申请公开了一种语音合成的方法、装置以及存储介质。其中，该方法包括：获取待合成语音的中文文本；生成与中文文本对应的文本向量，其中文本向量与中文文本中包含的中文词汇相关联；利用预先训练的模型对文本向量进行计算，生成与文本向量对应的梅尔频谱；以及根据梅尔频谱确定与中文文本对应的音频。梅尔频谱确定与中文文本对应的音频。梅尔频谱确定与中文文本对应的音频。

【技术实现步骤摘要】
语音合成的方法、装置以及存储介质


[0001]本申请涉及语音合成
，特别是涉及一种语音合成的方法、装置以及存储介质。

技术介绍

[0002]目前在语音合成技术当中，主要是使用端到端进行语音合成，主要是通过深度学习技术，引入注意力机制，通过录音人员的大量录音，进行文本标注，训练出一个Encoder
–
Decoder结构的网络模型，然后传入文本通过训练好的模型进行语音合成，供用户使用。目前训练网络时，首先进行训练数据的准备，数据主要是录音数据与录音数据对应的文本，先将录音音频转换为梅尔频谱，然后再将音频对应的文本转换成拼音，然后对拼音通过字母索引(abcdefghijgklmnopqrstuvwsyz12345总共26个字母拼音，比如
‘
我
’
的拼音
‘
wo3
’
3是音调转换成的向量为[23,16,29])进行向量转换，但是，中文汉字有很多多音字，在生成多音字的拼音的过程中，中文转拼音就容易转换错误，然后再通过拼音传入网络进行模型预测，此时生成的音频就会是错误的音频，生成录音的错误率就会很大。
[0003]针对上述的现有技术中存在的语音合成过程中需要将中文文本转换成拼音，由于中文汉字有很多多音字，因此在中文转拼音就容易转换错误，导致生成音频的错误率增大的技术问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本公开的实施例提供了一种语音合成的方法、装置以及存储介质，以至少解决现有技术中存在的语音合成过程中需要将中文文本转换成拼音，由于中文汉字有很多多音字，因此在中文转拼音就容易转换错误，导致生成音频的错误率增大的技术问题。
[0005]根据本公开实施例的一个方面，提供了一种语音合成的方法，包括：获取待合成语音的中文文本；生成与中文文本对应的文本向量，其中文本向量与中文文本中包含的中文词汇相关联；利用预先训练的模型对文本向量进行计算，生成与文本向量对应的梅尔频谱；以及根据梅尔频谱确定与中文文本对应的音频。
[0006]根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。
[0007]根据本公开实施例的另一个方面，还提供了一种语音合成的装置，包括：数据获取模块，用于获取待合成语音的中文文本；文本向量生成模块，用于生成与中文文本对应的文本向量，其中文本向量与中文文本中包含的中文词汇相关联；频谱生成模块，用于利用预先训练的模型对文本向量进行计算，生成与文本向量对应的梅尔频谱；以及音频生成模块，用于根据梅尔频谱确定与中文文本对应的音频。
[0008]根据本公开实施例的另一个方面，还提供了一种语音合成的装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取待合成语音的中文文本；生成与中文文本对应的文本向量，其中文本向量与中文文本中包含的中文词
汇相关联；利用预先训练的模型对文本向量进行计算，生成与文本向量对应的梅尔频谱；以及根据梅尔频谱确定与中文文本对应的音频。
[0009]在本公开实施例中，可以将中文文本转化为对应的文本向量，其中文本向量与中文文本中包含的中文词汇相关联。然后利用模型生成与该文本向量对应的梅尔频谱，最终将梅尔频谱转化为对应的音频文件。本方案在生成文本向量的过程中可以直接根据中文文本包含的词汇生成文本向量，与现有技术相比，本方案不需要将文本转化成拼音然后根据拼音生成向量。因此，达到了避免多音字在转化成拼音出现错误对结果造成影响的技术效果。因此，解决了现有技术中存在的语音合成过程中需要将中文文本转换成拼音，由于中文汉字有很多多音字，因此在中文转拼音就容易转换错误，导致生成音频的错误率增大的技术问题。
附图说明
[0010]此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
[0011]图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；
[0012]图2是根据本公开实施例1的第一个方面所述的语音合成的方法的流程示意图；
[0013]图3是根据本公开实施例1所述的模型预测过程的示意图；
[0014]图4是根据本公开实施例2所述的语音合成的装置的示意图；以及
[0015]图5是根据本公开实施例3所述的语音合成的装置的示意图。
具体实施方式
[0016]为了使本
的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
[0017]需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0018]实施例1
[0019]根据本实施例，还提供了一种语音合成的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0020]本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。图1示
出了一种用于实现语音合成的方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
[0021]应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种语音合成的方法，其特征在于，包括：获取待合成语音的中文文本；生成与所述中文文本对应的文本向量，其中所述文本向量与所述中文文本中包含的中文词汇相关联；利用预先训练的模型对所述文本向量进行计算，生成与所述文本向量对应的梅尔频谱；以及根据所述梅尔频谱确定与所述中文文本对应的音频。2.根据权利要求1所述的方法，其特征在于，生成与所述中文文本对应的文本向量，包括：生成与所述中文文本中包含的连续的中文词汇对应的词向量；以及将所述词向量依次进行拼接生成句向量，根据所述句向量生成所述文本向量。3.根据权利要求2所述的方法，其特征在于，根据所述句向量生成所述文本向量，包括：生成与所述连续的中文词汇的词性对应的第一词性向量，并将所述第一词性向量进行拼接生成第二词性向量；以及将所述句向量和所述第二词性向量进行拼接，生成所述文本向量。4.根据权利要求2所述的方法，其特征在于，生成与所述中文文本中包含的连续的中文词汇对应的词向量，包括：对所述中文文本进行分词操作，确定所述中文文本中包含的连续的中文词汇；以及生成与所述中文文本中包含的连续的中文词汇对应的词向量。5.根据权利要求3所述的方法，其特征在于，生成与所述连续的中...

【专利技术属性】
技术研发人员：黄磊，杨春勇，靳丁南，权圣，
申请(专利权)人：北京有限元科技有限公司，
类型：发明
国别省市：