语音合成方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及语音合成方法和装置。

背景技术：

人工智能(artificialintelligence，ai)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。语音合成是通过机械的、电子的方法产生人造语音的技术。文语转换技术(texttospeech，tts)技术隶属于语音合成，它是将计算机自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出的技术。

现有的语音合成方法通常采用基于隐马尔可夫模型(hiddenmarkovmodel，hmm)的语音模型输出文本对应的声学特征，之后通过声码器将参数转换为语音。

技术实现要素：

本申请实施例提出了语音合成方法和装置。

第一方面，本申请实施例提供了一种语音合成方法，该方法包括：确定待处理文本的音素序列；将音素序列输入至预先训练的语音模型，得到与音素序列中的每一个音素相对应的声学特征，其中，语音模型用于表征音素序列中的每一个音素与声学特征的对应关系；对于音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征和预设的代价函数，确定至少一个语音波形单元中的目标语音波形单元；将音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。

在一些实施例中，语音模型为端对端神经网络，端对端神经网络包括第一神经网络、注意力模型和第二神经网络。

在一些实施例中，语音模型通过如下步骤训练得到：提取训练样本，其中，训练样本包括文本样本和与文本样本相对应的语音样本；确定文本样本的音素序列样本和构成语音样本的语音波形单元，从构成语音样本的语音波形单元中提取声学特征；利用机器学习方法，将音素序列样本作为输入，将所提取的声学特征作为输出，训练得到语音模型。

在一些实施例中，预置的、音素与语音波形单元的索引通过如下步骤得到：对于音素序列样本中的每一个音素，基于该音素对应的声学特征，确定该音素对应的语音波形单元；基于音素序列样本中的各个音素与语音波形单元的对应关系，建立音素与语音波形单元的索引。

在一些实施例中，代价函数包括目标代价函数和连接代价函数，目标代价函数用于表征语音波形单元与声学特征的匹配程度，连接代价函数用于表征相邻的语音波形单元的连续程度。

在一些实施例中，对于音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征、预设的代价函数，确定至少一个语音波形单元中的目标语音波形单元，包括：对于音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元；将该音素对应的声学特征作为目标声学特征，对于至少一个语音波形单元中的每一个语音波形单元，提取该语音波形单元的声学特征，基于所提取的声学特征和目标声学特征，确定目标代价函数的值；将满足预设条件的目标函数的值所对应的语音波形单元确定为该音素对应的候选语音波形单元；基于所确定的各个候选语音波形单元所对应的声学特征和连接代价函数，利用维特比算法确定音素序列中的每一个音素对应的候选语音波形单元中的目标语音波形单元。

第二方面，本申请实施例提供了一种语音合成装置，该装置包括：第一确定单元，配置用于确定待处理文本的音素序列；输入单元，配置用于将音素序列输入至预先训练的语音模型，得到与音素序列中的每一个音素相对应的声学特征，其中，语音模型用于表征音素序列中的每一个音素与声学特征的对应关系；第二确定单元，配置用于对于音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征和预设的代价函数，确定至少一个语音波形单元中的目标语音波形单元；合成单元，配置用于将音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。

在一些实施例中，语音模型为端对端神经网络，端对端神经网络包括第一神经网络、注意力模型和第二神经网络。

在一些实施例中，装置还包括：提取单元，配置用于提取训练样本，其中，训练样本包括文本样本和与文本样本相对应的语音样本；第三确定单元，配置用于确定文本样本的音素序列样本和构成语音样本的语音波形单元，从构成语音样本的语音波形单元中提取声学特征；训练单元，配置用于利用机器学习方法，将音素序列样本作为输入，将所提取的声学特征作为输出，训练得到语音模型。

在一些实施例中，装置还包括：第四确定单元，配置用于对于音素序列样本中的每一个音素，基于该音素对应的声学特征，确定该音素对应的语音波形单元；建立单元，配置用于基于音素序列样本中的各个音素与语音波形单元的对应关系，建立音素与语音波形单元的索引。

在一些实施例中，代价函数包括目标代价函数和连接代价函数，目标代价函数用于表征语音波形单元与声学特征的匹配程度，连接代价函数用于表征相邻的语音波形单元的连续程度。

在一些实施例中，第二确定单元包括：第一确定模块，配置用于对于音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元；将该音素对应的声学特征作为目标声学特征，对于至少一个语音波形单元中的每一个语音波形单元，提取该语音波形单元的声学特征，基于所提取的声学特征和目标声学特征，确定目标代价函数的值；将满足预设条件的目标函数的值所对应的语音波形单元确定为该音素对应的候选语音波形单元；第二确定模块，配置用于基于所确定的各个候选语音波形单元所对应的声学特征和连接代价函数，利用维特比算法确定音素序列中的每一个音素对应的候选语音波形单元中的目标语音波形单元。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如语音合成方法中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如语音合成方法中任一实施例的方法。

本申请实施例提供的语音合成方法和装置，通过将待处理文本的音素序列输入至预先训练的语音模型，以便得到与音素序列中的每一个音素相对应的声学特征，而后基于预置的、音素与语音波形单元的索引确定与每一个音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征和预设的代价函数，确定该音素对应的目标语音波形单元，最后将各个音素对应的目标语音波形单元进行合成，生成语音，从而不需要通过声码器将声学特征转换为语音，同时不需要人工进行音素与语音波形的对齐和切分处理，提高了语音合成效果和语音合成效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的语音合成方法的一个实施例的流程图；

图3是根据本申请的语音合成方法的又一个实施例的流程图；

图4是根据本申请的语音合成装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的语音合成方法或语音合成装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上发送的文本信息提供tts服务的语音处理服务器。语音处理服务器可以对接收到的待处理文本等数据进行分析等处理，并将处理结果(例如合成后的语音)反馈给终端设备。

需要说明的是，本申请实施例所提供的语音合成方法一般由服务器105执行，相应地，语音合成装置一般设置于服务器105中。需要指出的是，本申请实施例所提供的语音合成方法也可以由终端设备101、102、103完成，此时，上述的示例性架构100中可以没有上述网络104和服务器105。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的语音合成方法的一个实施例的流程200。所述的语音合成方法，包括以下步骤：

步骤201，确定待处理文本的音素序列。

在本实施例中，语音合成方法运行于其上的电子设备(例如图1所示的服务器105)可以首先获取待处理文本，其中，上述待处理文本可以是由各种文字构成(例如中文和/或英文等)。上述待处理文本可以预先存储在上述电子设备的本地，此时，上述电子设备可以直接从本地提取上述待处理文本。此外，上述待处理文本还可以是客户端通过有线连接或者无线连接方式发送给上述电子设备的，需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

此处，上述电子设备中可以预先存储有与大量的文字与音素(phoneme)的对应关系。实践中，音素是根据语音的自然属性划分出来的最小语音单位。从声学性质来看，音素是从音质角度划分出来的最小语音单位。以汉语文字作为示例，汉语音节ā(啊)一个音素，ài(爱)有两个音素，dāi(呆)有三个音素等。在获取到上述待处理文本后，上述电子设备可以基于上述预先存储的文字与音素的对应关系，确定构成上述待处理文本的各个文字对应的音素，从而依次将这些文字对应的音素组成音素序列。

步骤202，将音素序列输入至预先训练的语音模型，得到与音素序列中的每一个音素相对应的声学特征。

在本实施例中，上述电子设备可以将上述音素序列输入至预先训练的语音模型，得到与音素序列中的每一个音素相对应的声学特征，其中，声学特征可以包括与声音相关的各种参数(例如基频、频谱等)。上述语音模型可以用于表征音素序列中的每一个音素与声学特征的对应关系。作为示例，上述语音模型可以是技术人员基于大量的数据统计而预先制定的音素与声学特征的对应关系表。作为又一示例，上述语音模型可以利用机器学习方法进行有监督训练得到。实践中，可以使用各种模型训练得到语音模型(例如隐马尔可夫模型或者深度神经网络等现有的模型结构)。

在本实施例的一些可选的实现方式中，上述语音模型可以通过如下步骤训练得到：

第一步，提取训练样本，其中，上述训练样本可以包括文本样本(可以由各种文字构成，例如中文、英文等)和与上述文本样本相对应的语音样本。

第二步，确定上述文本样本的音素序列样本和构成上述语音样本的语音波形单元，并从构成上述语音样本的语音波形单元中提取声学特征。具体地，上述电子设备可以首先按照与步骤201相同的方式确定上述文本样本对应的音素序列，将所确定的音素序列确定为音素序列样本。而后，上述电子设备可以利用各种现有的语音自动切分技术将构成上述语音样本的语音波形单元进行切分，音素序列样本中的每一个音素可以与切分后的一个语音波形单元相对应，音素序列样本中的音素的数量与切分后的语音波形单元的数量相同。之后，上述电子设备可以切分后的每一个语音波形单元中提取声学特征。

第三步，利用机器学习方法，将上述音素序列作为输入，将所提取的声学特征作为输出，训练上述各种模型训练得到语音模型。需要说明的是，上述机器学习方法和模型训练方法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，对于音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征和预设的代价函数，确定至少一个语音波形单元中的目标语音波形单元。

在本实施例中，上述电子设备中可以存储有预置的、音素与语音波形单元的索引。上述索引可以用于表征音素与音库中的语音波形单元所在位置的对应关系，因此，可以通过索引查找某一个音素在音库中对应的语音波形单元。同一个音素在音库中对应的语音波形单元的数量为至少一个，通常需要进行进一步筛选。对于上述音素序列中的每一个音素，上述电子设备可以首先基于上述音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元。而后，上述电子设备可以基于步骤202所获取的、该音素对应的声学特征和预设的代价函数，确定上述至少一个语音波形单元中的目标语音波形单元。其中，上述预设的代价函数可以用于表征声学特征之间的相似程度，代价函数越小，越相似。实践中，代价函数可以使用用于进行相似度计算的各种函数而预先建立，例如，可以基于欧氏距离函数建立代价函数。此时，可以按照如下步骤确定目标语音单元：对于上述音素序列中的每一个音素，上述电子可以将步骤202所获取的、该音素对应的声学特征作为目标声学特征，从与该音素相对应的各个语音波形单元中提取声学特征，逐一计算所提取的声学特征与上述目标声学特征的欧氏距离。而后，对于该音素，可以将相似度最大的语音波形单元作为该音素的目标语音波形单元。

步骤204，将音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。

在本实施例中，上述电子设备可以将上述音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。具体地，上述电子设备可以利用进行波形拼接方法(例如基音同步叠加(pitchsynchronousoverlapadd，psola))对目标语音波形单元进行合成。需要说明的是，上述波形拼接方法是目前广泛研究和应用的公知技术，在此不再赘述。

本申请实施例提供的语音合成方法，通过将待处理文本的音素序列输入至预先训练的语音模型，以便得到与音素序列中的每一个音素相对应的声学特征，而后基于预置的、音素与语音波形单元的索引确定与每一个音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征和预设的代价函数，确定该音素对应的目标语音波形单元，最后将各个音素对应的目标语音波形单元进行合成，生成语音，从而不需要通过声码器将声学特征转换为语音，同时不需要人工进行音素与语音波形的对齐和切分处理，提高了语音合成效果和语音合成效率。

进一步参考图3，其示出了语音合成方法的又一个实施例的流程300。该语音合成方法的流程300，包括以下步骤：

步骤301，确定待处理文本的音素序列。

在本实施例中，语音合成方法运行于其上的电子设备(例如图1所示的服务器105)可以预先存储有与大量的文字与音素的对应关系。上述电子设备可以首先获取待处理文本，之后，可以基于上述预先存储的文字与音素的对应关系，确定构成上述待处理文本的各个文字对应的音素，从而依次将这些文字对应的音素组成音素序列。

步骤302，将音素序列输入至预先训练的语音模型，得到与音素序列中的每一个音素相对应的声学特征。

在本实施例中，上述电子设备可以将上述音素序列输入至预先训练的语音模型，得到与音素序列中的每一个音素相对应的声学特征，其中，声学特征可以包括与声音相关的各种参数(例如基频、频谱等)。上述语音模型可以用于表征音素序列中的每一个音素与声学特征的对应关系。

此处，上述语音模型可以是端对端神经网络，上述端对端神经网络可以包括第一神经网络、注意力模型(attentionmodel，am)和第二神经网络。其中，上述第一神经网络可以作为编码器(encoder)，用于将音素序列转换为向量序列，一个音素可以与一个向量相对应。上述第一神经网络可以使用多层的长短期记忆网络(longshort-termmemory，lstm)、多层的双向长短期记忆网络(bidirectionallongshort-termmemory，blstm)、或者循环神经网络(recurrentneuralnetwork，rnn)等现有的神经网络结构。上述注意力模型可以用户对上述第一神经网络的输出赋予不同的权重，该权重可以是音素与声学特征对应的概率。上述第二神经网络可以作为解码器(decoder)，用于输出音素序列中每一个音素对应的声学特征。上述第二神经网络也可以使用长短期记忆网络、双向长短期记忆网络、或者循环神经网络等现有的神经网络结构。

在本实施例中，上述语音模型可以通过如下步骤训练得到：

第一步，提取训练样本，其中，上述训练样本可以包括文本样本(可以由各种文字构成，例如中文、英文等)和与上述文本样本相对应的语音样本。

第二步，确定上述文本样本的音素序列样本和构成上述语音样本的语音波形单元，并从构成上述语音样本的语音波形单元中提取声学特征。具体地，上述电子设备可以首先按照与步骤201相同的方式确定上述文本样本对应的音素序列，将所确定的音素序列确定为音素序列样本。而后，上述电子设备可以利用各种现有的语音自动切分技术将构成上述语音样本的语音波形单元进行切分，音素序列样本中的每一个音素可以与切分后的一个语音波形单元相对应，音素序列样本中的音素的数量与切分后的语音波形单元的数量相同。之后，上述电子设备可以切分后的每一个语音波形单元中提取声学特征。

第三步，利用机器学习方法，将上述音素序列作为上述端对端神经网络的输入，将所提取的声学特征作为上述端对端神经网络的输出，训练得到语音模型。需要说明的是，上述机器学习方法和模型训练方法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤303，对于音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元；将该音素对应的声学特征作为目标声学特征，对于至少一个语音波形单元中的每一个语音波形单元，提取该语音波形单元的声学特征，基于所提取的声学特征和目标声学特征，确定目标代价函数的值；将满足预设条件的目标函数的值所对应的语音波形单元确定为该音素对应的候选语音波形单元。

在本实施例中，上述电子中可以存储有预置的、音素与语音波形单元的索引。上述索引可以是上述电子设备基于训练上述语音模型的过程中所得到的数据，通过如下步骤得到：第一步，对于上述音素序列样本中的每一个音素，可以基于该音素对应的声学特征，确定该音素对应的语音波形单元。此处，由于上述音素序列中的每一个音素均与一个语音波形单元的声学特征相对应，因此，可以基于音素与声学特征的对应关系确定音素与语音波形单元的对应关系。第二步，可以基于上述音素序列样本中的各个音素与语音波形单元的对应关系，建立音素与语音波形单元的索引。上述索引可以用于表征音素与音库中的语音波形单元或者语音波形单元所在位置的对应关系，因此，可以通过索引查找某一个音素在音库中对应的语音波形单元。

在本实施例中，上述电子设备中可以预先存储代价函数，其中，上述代价函数可以包括目标代价函数和连接代价函数，上述目标代价函数可以用于表征语音波形单元与上述声学特征的匹配程度，上述连接代价函数可以用于表征相邻的语音波形单元的连续程度。此处，上述目标代价函数和上述连接代价函数均可以基于欧式距离函数而建立。上述目标代价函数的值越小，语音波形单元与上述声学特征越匹配；上述连接代价函数的值越小，相邻的语音波形单元的连续程度越高。

在本实施例中，对于音素序列中的每一个音素，上述电子设备可以首先基于上述索引，确定与该音素相对应的至少一个语音波形单元；而后，可以将该音素对应的声学特征作为目标声学特征，对于上述至少一个语音波形单元中的每一个语音波形单元，提取该语音波形单元的声学特征，基于所提取的声学特征和目标声学特征，确定目标代价函数的值；将满足预设条件的目标函数的值所对应的语音波形单元确定为该音素对应的候选语音波形单元。其中，上述预设条件可以是目标函数的值小于预设数值，也可以是目标函数的值为最小的5个(也可以是其他预先设置的数值)之内。

步骤304，基于所确定的各个候选语音波形单元所对应的声学特征和连接代价函数，利用维特比算法确定音素序列中的每一个音素对应的候选语音波形单元中的目标语音波形单元。

在本实施例中，上述电子设备可以基于所确定的各个候选语音波形单元所对应的声学特征和上述连接代价函数，利用维特比算法确定音素序列中的每一个音素对应的候选语音波形单元中的目标语音波形单元。具体地，对于音素序列中的每一个音素，上述电子设备可以确定该音素对应的各个候选语音波形单元所对应的连接代价函数的值，利用维特比算法，确定目标代价和连接代价的和的最小值该音素对应的候选语音波形单元，将该候选语音波形单元确定为该音素对应的目标语音波形单元。实践中，维特比算法是一种动态规划算法用于寻找最有可能产生观测事件序列的维特比路径。此处，通过维特比算法确定目标语音波形单元的方法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤305，将音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。

在本实施例中，上述电子设备可以将上述音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。具体地，上述电子设备可以利用进行波形拼接方法(例如基音同步叠加(pitchsynchronousoverlapadd，psola))对目标语音波形单元进行合成。需要说明的是，上述波形拼接方法是目前广泛研究和应用的公知技术，在此不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的语音合成方法的流程300突出了通过目标代价函数和连接代价函数确定每一个音素对应的目标语音波形单元的步骤。由此，本实施例描述的方案可以进一步提高语音合成效果。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种语音合成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例上述的语音合成装置400包括：第一确定单元401，配置用于确定待处理文本的音素序列；输入单元402，配置用于将上述音素序列输入至预先训练的语音模型，得到与上述音素序列中的每一个音素相对应的声学特征，其中，上述语音模型用于表征音素序列中的每一个音素与声学特征的对应关系；第二确定单元403，配置用于对于上述音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征和预设的代价函数，确定上述至少一个语音波形单元中的目标语音波形单元；合成单元404，配置用于将上述音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。

在本实施例中，上述第一确定单元401可以预先存储有与大量的文字与音素的对应关系。上述第一确定单元401可以首先获取待处理文本，之后，可以基于上述预先存储的文字与音素的对应关系，确定构成上述待处理文本的各个文字对应的音素，从而依次将这些文字对应的音素组成音素序列。

在本实施例中，上述输入单元402可以将上述音素序列输入至预先训练的语音模型，得到与音素序列中的每一个音素相对应的声学特征，其中，上述语音模型可以用于表征音素序列中的每一个音素与声学特征的对应关系。

在本实施例中，上述第二确定单元403中可以存储有预置的、音素与语音波形单元的索引。上述索引可以用于表征音素与音库中的语音波形单元所在位置的对应关系，因此，可以通过索引查找某一个音素在音库中对应的语音波形单元。同一个音素在音库中对应的语音波形单元的数量为至少一个，通常需要进行进一步筛选。对于上述音素序列中的每一个音素，上述第二确定单元403可以首先基于上述音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元。而后，可以基于所获取的、该音素对应的声学特征和预设的代价函数，确定上述至少一个语音波形单元中的目标语音波形单元。

在本实施例中，上述合成单元404可以将上述音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。

在本实施例的一些可选的实现方式中，上述语音模型可以是端对端神经网络，上述端对端神经网络可以包括第一神经网络、注意力模型和第二神经网络。

在本实施例的一些可选的实现方式中，上述装置还可以包括提取单元、第三确定单元和训练单元(图中未示出)。其中，上述提取单元可以配置用于提取训练样本，其中，上述训练样本包括文本样本和与上述文本样本相对应的语音样本。上述第三确定单元可以配置用于确定上述文本样本的音素序列样本和构成上述语音样本的语音波形单元，从构成上述语音样本的语音波形单元中提取声学特征。上述训练单元可以配置用于利用机器学习方法，将上述音素序列样本作为输入，将所提取的声学特征作为输出，训练得到语音模型。

在本实施例的一些可选的实现方式中，上述装置还可以包括第四确定单元和建立单元(图中未示出)。其中，上述第四确定单元可以配置用于对于上述音素序列样本中的每一个音素，基于该音素对应的声学特征，确定该音素对应的语音波形单元。上述建立单元可以配置用于基于上述音素序列样本中的各个音素与语音波形单元的对应关系，建立音素与语音波形单元的索引。

在本实施例的一些可选的实现方式中，上述代价函数可以包括目标代价函数和连接代价函数，上述目标代价函数用于表征语音波形单元与上述声学特征的匹配程度，上述连接代价函数用于表征相邻的语音波形单元的连续程度。

在本实施例的一些可选的实现方式中，上述第二确定单元403可以包括第一确定模块和第二确定模块(图中未示出)。其中，上述第一确定模块可以配置用于对于上述音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元；将该音素对应的声学特征作为目标声学特征，对于上述至少一个语音波形单元中的每一个语音波形单元，提取该语音波形单元的声学特征，基于所提取的声学特征和上述目标声学特征，确定上述目标代价函数的值；将满足预设条件的上述目标函数的值所对应的语音波形单元确定为该音素对应的候选语音波形单元。上述第二确定模块可以配置用于基于所确定的各个候选语音波形单元所对应的声学特征和上述连接代价函数，利用维特比算法确定上述音素序列中的每一个音素对应的候选语音波形单元中的目标语音波形单元。

本申请的上述实施例提供的装置，通过输入单元402将第一确定单元401所确定的待处理文本的音素序列输入至预先训练的语音模型，以便得到与音素序列中的每一个音素相对应的声学特征，而后第二确定单元403基于预置的、音素与语音波形单元的索引确定与每一个音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征和预设的代价函数，确定该音素对应的目标语音波形单元，最后合成单元403将各个音素对应的目标语音波形单元进行合成，生成语音，从而不需要通过声码器将声学特征转换为语音，同时不需要人工进行音素与语音波形的对齐和切分处理，提高了语音合成效果和语音合成效率。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、输入单元、第二确定单元和合成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定单元还可以被描述为“确定待处理文本的音素序列的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：确定待处理文本的音素序列；将该音素序列输入至预先训练的语音模型，得到与该音素序列中的每一个音素相对应的声学特征，其中，该语音模型用于表征音素序列中的每一个音素与声学特征的对应关系；对于该音素序列中的每一个音素，基于预置的、音素与语音波形单元的索引，确定与该音素相对应的至少一个语音波形单元，并基于该音素对应的声学特征和预设的代价函数，确定该至少一个语音波形单元中的目标语音波形单元；将该音素序列中的各个音素对应的目标语音波形单元进行合成，生成语音。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。