语音合成模型生成方法和装置与流程

本申请涉及计算机领域，具体涉及语音领域，尤其涉及语音合成模型生成方法和装置。

背景技术：

语音合成模型通过对语音合成模型对应神经网络进行训练生成。为了向用户提供多个播报员的多个不同风格的合成的语音，需要针对每一个播报员，分别利用一个播报员的多个不同风格的语音用于训练，分别生成用于合成一个播报员的单一风格的语音合成模型，训练开销大。

发明信息

本申请提供了一种语音合成模型生成方法和装置，用于解决上述背景技术部分存在的技术问题。

第一方面，本申请提供了语音合成模型生成方法，该方法包括：获取多个类型的训练样本，其中，一个类型的训练样本包括：所述类型的文本、所述类型对应的播报员以所述类型对应的语音的风格阅读所述文本的所述风格的语音；利用多个类型的训练样本和每一个类型的训练样本中的语音的风格的标注信息，对语音合成模型对应的神经网络进行训练，得到语音合成模型，所述语音合成模型用于合成每一个类型对应的播报员的多个风格的语音。

第二方面，本申请提供了语音合成模型生成装置，该装置包括：获取单元，配置用于获取多个类型的训练样本，其中，一个类型的训练样本包括：所述类型的文本、所述类型对应的播报员以所述类型对应的语音的风格阅读所述文本的所述风格的语音；训练单元，配置用于利用多个类型的训练样本和每一个类型的训练样本中的语音的风格的标注信息，对语音合成模型对应的神经网络进行训练，得到语音合成模型，所述语音合成模型用于合成每一个类型对应的播报员的多个风格的语音。

本申请提供的语音合成模型生成方法和装置，通过获取多个类型的训练样本，其中，一个类型的训练样本包括：所述类型的文本、所述类型对应的播报员以所述类型对应的语音的风格阅读所述文本的所述风格的语音；利用多个类型的训练样本和每一个类型的训练样本中的语音的风格的标注信息，对语音合成模型对应的神经网络进行训练，得到语音合成模型，所述语音合成模型用于合成每一个类型对应的播报员的多个风格的语音。实现了仅利用多个播报员的各自的不同的单一风格的语音对语音合成模型对应神经网络进行训练，得到可以合成每一个播报员的多个不同风格的语音的语音合成模型，降低训练开销。

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示出了根据本申请的语音合成模型生成方法的一个实施例的流程图；

图2示出了根据本申请的语音合成模型生成装置的一个实施例的结构示意图；

图3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。

请参考图1，其示出了根据本申请的语音合成模型生成方法的一个实施例的流程。该方法包括以下步骤：

步骤101，获取多个类型的训练样本。

在本实施例中，语音合成模型通过利用训练样本语音合成模型对应的神经网络进行训练而生成。为了对语音合成模型对应的神经网络进行训练，可以首先获取用于对语音合成模型对应的神经网络进行训练的多个类型的训练样本。

在对语音合成模型对应的神经网络进行训练时，分别在将文本的特征设置在语音合成模型对应的神经网络的输入端，将语音的声学特征设置在语音合成模型对应的神经网络的输出端，对语音合成模型对应的神经网络以端到端的方式进行训练。

在本实施例中，一个训练样本中包含文本和文本对应的语音。一个类型的训练样本包括：该类型的文本、该类型的播报员以该类型对应的语音的风格阅读该文本的该类型对应的语音的风格的语音。训练样本的类型与训练样本中的语音的风格可以是一一对应的。

例如，新闻类型对应的语音的风格为新闻风格，小说类型对应的语音的风格为小说风格。

一个新闻类型的训练样本中包含新闻类型的文本、新闻类型对应的播报员以该新闻类型的风格即读新闻的风格阅读该新闻类型的文本的新闻风格的语音。可以预先由新闻类型对应的播报员读一段新闻类型的文本，将一段新闻类型的文本和该播报员以新闻风格读一段新闻类型的文本作为一个新闻类型的训练样本。

在本实施例中，播报员与训练样本的类型也可以是一一对应的。例如，新闻类型的训练样本、小说类型的训练样本各自对应一个播报员。由新闻类型对应的播报员分别读取多段新闻类型的文本，得到多个新闻类型的训练样本。每一个新闻类型的样本中包含一段新闻类型的文本和新闻类型对应的播报员以新闻风格读取一段新闻类型的文本的语音。由小说类型对应的播报员分别读取多段小说类型的文本，得到多个小说类型的训练样本。每一个小说类型的样本中包含一段小说类型的文本和小说类型对应的播报员以新闻风格读取一段小说类型的文本的语音。

步骤102，利用多个类型的训练样本和每一个类型的训练样本中的语音的风格的标注信息，对语音合成模型对应的神经网络进行训练。

在本实施例中，利用多个类型的训练样本和每一个类型的训练样本的风格标注信息，对语音合成模型对应的神经网络进行训练，得到语音合成模型。一个训练样本中的语音的风格的标注信息可以表示该语音的风格。

在一次训练过程中，在利用一个训练样本对语音合成模型对应的进行训练时，语音合成模型对应的神经网络可以根据每一个训练样本中的语音的风格的标注信息，确定用于训练的语音的风格，同时，还可以确定训练样本中的语音所属的播报员。

利用多个类型的训练样本和每一个类型的训练样本的风格标注信息，对语音合成模型对应的神经网络进行多次训练之后，语音合成模型对应的神经网络可以同时学习到每一个播报员自身的声音的特征和每一个播报员对应的风格的特征。

假设利用播报员a对应的新闻类型的训练样本和播报员b对应的小说类型的训练样本对语音合成模型对应的神经网络进行训练，由于语音合成模型对应的神经网络中的参数是利用每一个类型的训练样本进行训练时共享的，因此，在利用利用播报员a对应的新闻类型的训练样本和播报员b对应的小说类型的训练样本对语音合成模型对应的神经网络进行训练之后，语音合成模型对应的神经网络既可以学习出新闻风格的语音的特征即读新闻的特征和小说风格的语音的特征即读小说的特征，又可以学习出播报员a的语音的特征和播报员b的语音的特征。

多次训练之后的语音合成模型对应的神经网络可以将学习出的播报员的a的语音的特征和学习出的读小说的特征结合，合成播报员a读小说的语音，可以将学习出的播报员的b的语音的特征和学习出读新闻的特征相结合，合成播报员b读新闻的语音。

换言之，多次训练后的语音合成模型对应的神经网络可以称之为语音合成模型，该语音合成模型可以将学习出的播报员的a的语音的特征和学习出的读小说的特征结合，合成播报员a读小说的语音，可以将学习出的播报员的b的语音的特征和学习出读新闻的特征相结合，合成播报员b读新闻的语音。

在本实施例的一些可选的实现方式中，语音合成模型对应的神经网络可以包含多个由底至上依次连接的神经网络。每一个语音合成模型对应的神经网络中的神经网络对应语音合成模型对应的神经网络的一层。例如，语音合成模型对应的神经网络由底至上包含多个依次连接的dnn，每一个dnn对应一层，在最后一个dnn所在的层之上，包含多个rnn，每一个rnn对应一层。

可以预先选取出的语音合成模型对应的神经网络中的一层，在一次训练过程中，在利用一个训练样本对神经网络进行训练时，可以将该训练样本中的语音的风格的标注信息与选取出的语音合成模型对应的神经网络中的一层中的神经网络的输出相结合后作为选取出的语音合成模型对应的神经网络中的一层的上一层的神经网络的输入，即将该训练样本中的语音的风格的标注信息与选取出的语音合成模型对应的神经网络中的一层中的神经网络的输出相结合后输入到选取出的语音合成模型对应的神经网络中的一层的上一层的神经网络。

在一次训练过程中，在利用一个训练样本对语音合成模型对应的神经网络进行训练时，可以将该训练样本中的语音对应的风格向量与选取出的语音合成模型对应的神经网络中的一层中的神经网络的输出向量组合成选取出的语音合成模型对应的神经网络中的一层的上一层中的神经网络的输入向量，将该输入向量输入到选取出的语音合成模型对应的神经网络中的一层的上一层中的神经网络。该训练样本中的语音对应的风格向量中包含多个语音的风格中的每一个语音的风格各自对应的分量。该训练样本中的语音的风格对应的分量的数值为1，其他语音的风格的分量的数值为0。

例如，语音合成模型对应的神经网络由底至上包含多个依次连接的dnn，每一个dnn对应一层，在最后一个dnn所在的层之上，包含多个rnn，每一个rnn对应一层。

在利用一个新闻类型的训练样本对语音合成模型对应的神经网络进行训练时，该训练样本对应的风格向量中该训练样本中的语音的风格即新闻风格对应的分量的数值为1，其他语音的风格对应的分量的数值为0。可以将训练样本对应的风格向量与语音合成模型对应的神经网络中最后一个rnn的输出向量相结合，最后一个rnn所在的层之上的输出层的输入向量，将该输入向量输入到输出层中。

在本实施例的一些可选的实现方式中，当选取出的语音合成模型对应的神经网络中的一层为与语音合成模型对应的神经网络的输出层连接的一层时，在一次训练过程中，在利用一个训练样本对语音合成模型对应的神经网络进行训练时，可以将该训练样本中的语音对应的风格向量与语音合成模型对应的神经网络的输出层连接的一层的输出向量组合成一个输出层的输入向量后输入到语音合成模型对应的神经网络的输出层。

在本实施例的一些可选的实现方式中，在得到语音合成模型之后，可以接收输入的语音合成指令和文本，语音合成指令包括：用户选取的播报员的标识、用户选取的语音的风格的标识；利用语音合成模型合成用户选取的播报员的用户选取的语音的风格的所述文本对应的语音。

假设利用播报员a对应的新闻类型的训练样本和播报员b对应的小说类型的训练样本对语音合成模型对应的神经网络进行训练，由于语音合成模型对应的神经网络中的参数是利用每一个类型的训练样本进行训练时共享的，因此，在利用利用播报员a对应的新闻类型的训练样本和播报员b对应的小说类型的训练样本对语音合成模型对应的神经网络进行训练之后，语音合成模型对应的神经网络既可以学习出读新闻的特征和读小说的特征，又可以学习出播报员a的语音的特征和播报员b的语音的特征。

多次训练之后的语音合成模型对应的神经网络可以将学习出的播报员的a的语音的特征和学习出的读小说的特征结合，合成播报员a读小说的语音，可以将学习出的播报员的b的语音的特征和学习出读新闻的特征相结合，合成播报员b读新闻的语音。

换言之，多次训练后的语音合成模型对应的神经网络可以称之为语音合成模型，该语音合成模型可以将学习出的播报员的a的语音的特征和学习出的读小说的特征结合，合成播报员a读小说的语音，可以将学习出的播报员的b的语音的特征和学习出读新闻的特征相结合，合成播报员b读新闻的语音。

当语音合成模型的用户需要利用语音合成模型合成播报员a读小说的语音，可以接收输入的语音合成指令和文本，语音合成指令包括：用户选取的播报员的标识即播报员a的标识、用户选取的语音的风格的标识即小说风格的标识。可以利用语音合成模型合成播报员a读小说的语音。

请参考图2，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模型生成装置的一个实施例，该装置实施例与图1所示的方法实施例相对应。

如图2所示，语音合成模型生成装置包括：获取单元201，训练单元202。其中，获取单元201配置用于获取多个类型的训练样本，其中，一个类型的训练样本包括：所述类型的文本、所述类型对应的播报员以所述类型对应的语音的风格阅读所述文本的所述风格的语音；训练单元202配置用于利用多个类型的训练样本和每一个类型的训练样本中的语音的风格的标注信息，对语音合成模型对应的神经网络进行训练，得到语音合成模型，所述语音合成模型用于合成每一个类型对应的播报员的多个风格的语音。

在本实施例的一些可选的实现方式中，训练单元包括：标注信息输入子单元，配置用于将所述类型的训练样本中的语音的风格的标注信息与选取出的语音合成模型对应的神经网络中的一层中的神经网络的输出相结合作为选取出的语音合成模型对应的神经网络中的一层的上一层的神经网络的输入。

在本实施例的一些可选的实现方式中，标注信息输入子单元进一步配置用于：将所述类型的训练样本中的语音对应的风格向量与选取出的语音合成模型对应的神经网络中的一层中的神经网络的输出向量组合成选取出的语音合成模型对应的神经网络中的一层的上一层中的神经网络的输入向量。

在本实施例的一些可选的实现方式中，标注信息输入子单元进一步配置用于：当选取出的语音合成模型对应的神经网络中的一层为与语音合成模型对应的神经网络的输出层连接的一层时，将所述类型的训练样本中的语音对应的风格向量与语音合成模型对应的神经网络的输出层连接的一层的输出向量组合成一个输入向量后输入到语音合成模型对应的神经网络的输出层。

在本实施例的一些可选的实现方式中，语音合成模型生成装置还包括：合成单元，配置用于在得到语音合成模型之后，接收输入的语音合成指令和文本，所述语音合成指令包括：用户选取的播报员的标识、用户选取的语音的风格的标识；利用语音合成模型合成用户选取的播报员的用户选取的语音的风格阅读所述文本对应的语音。

图3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的结构示意图。

如图3所示，计算机系统包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram303中，还存储有计算机系统操作所需的各种程序和数据。cpu301、rom302以及ram303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。

以下部件连接至i/o接口305：输入部分306；输出部分307；包括硬盘等的存储部分308；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309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至i/o接口305。可拆卸介质311，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310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308。

特别地，本申请的实施例中描述的过程可以被实现为计算机程序。例如，本申请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，该计算机程序包括用于执行流程图所示的方法的指令。该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(cpu)301执行时，执行本申请的方法中限定的上述功能。

本申请还提供了一种电子设备，该电子设备可以配置有一个或多个处理器；存储器，用于存储一个或多个程序，一个或多个程序中可以包含用以执行上述步骤101-102中描述的操作的指令。当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述步骤101-102中描述的操作。

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电子设备中所包括的；也可以是单独存在，未装配入电子设备中。上述计算机可读介质承载有一个或者多个程序，当一个或者多个程序被电子设备执行时，使得电子设备：获取多个类型的训练样本，其中，一个类型的训练样本包括：所述类型的文本、所述类型对应的播报员以所述类型对应的语音的风格阅读所述文本的所述风格的语音；利用多个类型的训练样本和每一个类型的训练样本中的语音的风格的标注信息，对语音合成模型对应的神经网络进行训练，得到语音合成模型，所述语音合成模型用于合成每一个类型对应的播报员的多个风格的语音。

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包括但不限于电、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：一种处理器包括获取单元，训练单元。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，获取单元还可以被描述为“用于获取多个类型的训练样本的单元”。

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所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。