用于生成信息的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及语音合成技术领域，尤其涉及用于生成信息的方法和装置。

背景技术：

语音合成技术，又称文语转换技术，是通过机械的、电子的方法产生人造语音的技术。它是将计算机本地产生的或外部输入的文字信息转变为可以被人听得懂的、流利的语音的技术。在语音合成的过程中，需要对拼接多个语音单元对应的音频，语音单元可以是拼音，也可以是音素。

然而，现有的语音合成的方法，通常是对语音单元的发音时长信息不做区分，即生成的发音时长信息相同。

技术实现要素：

本申请实施例的目的在于提出一种用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，上述方法包括：获取待合成语音对应的文本；提取上述文本的文本特征；将上述文本特征导入预先建立的时长信息生成模型，生成发音时长信息序列，其中，上述发音时长信息序列包括上述文本对应的音素序列中各音素的发音时长信息，其中，上述时长信息生成模型用于表征文本特征与发音时长信息序列之间的对应关系，上述时长信息生成模型基于包括跳层神经网络的神经网络建立，跳层神经网络为具有跳层连接结构的神经网络。

第二方面，本申请实施例提供了一种用于生成信息的装置，上述装置包括：获取单元，用于获取待合成语音对应的文本；提取单元，用于提取上述文本的文本特征；生成单元，用于将上述文本特征导入预先建立的时长信息生成模型，生成发音时长信息序列，其中，上述发音时长信息序列包括上述文本对应的音素序列中各音素的发音时长信息，其中，上述时长信息生成模型用于表征文本特征与发音时长信息序列之间的对应关系，上述时长信息生成模型基于包括跳层神经网络的神经网络建立，跳层神经网络为具有跳层连接结构的神经网络。

第三方面，本申请实施例提供了一种电子设备，上述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面的方法。

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第一方面的方法。

本申请实施例提供的用于生成信息的方法和装置，通过首先提取待合成语音对应的文本的文本特征，然后利用时长信息生成模型，生成发音时长信息序列，在这里，上述时长信息生成模型基于包括跳层神经网络的神经网络建立，从而提高了生成的发音时长信息的准确性。

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是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4a是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图4b是根据本申请的用于生成信息的方法的时长信息生成模型的结构示意图。

图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图6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用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构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，例如语音助手类应用、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可以是具有语音播放功能的各种电子设备，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上语音助手类应用提供支持的后台服务器。后台服务器可以对接收到的语音合成请求等数据进行分析等处理，并将处理结果(例如合成的语音数据)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

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。需要说明的是，在一些应用场景中，系统架构100也可以不包括终端设备和网络。

继续参考图2，其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。上述的用于生成信息的方法，包括以下步骤：

继续参考图2，其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。上述的用于生成信息的方法，包括以下步骤：

步骤201，获取待合成语音对应的文本。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以获取待合成语音对应的文本。

在本实施例中，上述电子设备可以通过各种方式，例如本地生成或者从其它电子设备接收，获取待合成语音对应的文本。

作为示例，在自动问答的场景中，用户的问题是“1加1等于几”，上述电子设备在确定答案是“2”之后，可以生成文本“二”，即待合成语音为文本“二”对应的语音。

作为示例，用户使用终端输入文本“我吃饭”，终端将上述文本发送至服务器，服务器可以合成文本“我吃饭”对应的语音。

步骤202，提取文本的文本特征。

在本实施例中，上述电子设备可以提取上述文本的文本特征。

在本实施例中，提取文本的何种文本特征可以在实际应用中灵活调整。作为示例，提取的文本特征可以包括但不限于：文本对应的各个音素、音调信息、词向量、词性信息、标点符号信息等。

作为示出，对于文本“我吃饭”，文本对应的各个音素可以是“wochifan”,音调信息为“三声、一声、四声”等。需要说明的是，文本特征的表示形式可以根据实际情况进行设置，例如，可以是利用独热码形式来进行特征表示，在此不再赘述。

在本实施例中，以音素为基本单位进行语音的合成。音素，是语音中的最小的单位，依据音节里的发音动作来分析，一个动作构成一个音素。确定各个音素的发音时长信息，是语音合成的基础。所确定的音素的发音时长信息更准确，才能合成出更为自然的语音。

步骤203，将文本特征导入预先建立的时长信息生成模型，生成发音时长信息序列。

在本实施例中，上述电子设备可以将上述文本特征导入预先建立的时长信息生成模型，生成发音时长信息序列。

在本实施例中，上述上述发音时长信息序列包括上述文本对应的音素序列中各音素的发音时长信息。在这里，发音时长信息用于指示音素的发音时长。

作为示例，文本“我吃饭”对应的音素序列为“wochifan”，生成的发音时长信息序列可以是“1，2，3，4，5，6，7，8”，其中，发音时长信息“1”与音素“w”对应，表示音素“w”的发音时长为1毫秒。发音时长信息“2”与音素“o”对应，表示音素“o”的发音时长为2毫秒。发音时长信息序列中的“3，4，5，6，7，8”对应的音素，以及各个音素的发音时长，依次类推。

在本实施例中，上述时长信息生成模型用于表征文本特征与发音时长信息序列之间的对应关系。

在本实施例中，上述时长信息生成模型基于包括跳层神经网络的神经网络建立，跳层神经网络为具有跳层连接结构的神经网络。

在本实施例中，跳层连接结构可以让神经网络中某些层的输出，跳过一些层，直接输入到后面的层中去，即不严格遵守前一层的输出是后一层的输入的规则，能够实现神经网络中层之间的跨层输入。由此，神经网络可以更类似地模拟人脑思考方式，即可以跳跃性思维，实现生成更为准确的发音时长信息。

作为示例，具有跳层连接结构的神经网络，可以是残差网络或者公路(highway)网络。

在本实施例的一些可选的实现方式中，上述时长信息生成模型可以是通过以下步骤得到的：获取训练样本集，训练样本是关联设置有音素的发音时长信息的音频信息。利用上述训练样本集训练包括跳层神经网络的神经网络，得到时长信息生成模型。

在本实现方式中，利用上述训练样本集训练包括跳层神经网络的神经网络，得到时长信息生成模型，可以通过以下方式实现：将包括跳层神经网络的神经网络作为初始神经网络；对训练样本，提取训练样本对应的文本的文本特征，将提取出的文本特征导入初始神经网络，初始神经网络输出为训练用发音时长信息序列。根据训练用发音时长信息序列中各个发音时长信息和训练样本关联设置的发音时长信息，调整初始神经网络，得到时长信息生成模型。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，用户首先通过终端301向服务器302发送了语音合成请求303，语音合成请求中包括待合成语音对应的文本“我吃饭”；之后，服务器可以获取文本，并提取出文本特征，如304所示；然后，上述服务器可以利用时长信息生成模型，生成发音时长信息序列，如305所示，例如“1，2，3，4，5，6，7，8”；然后，上述服务器可以根据所生成的各个发音时长信息所指示的发音时长合成语音，如306所示，再将合成的语音307发送至上述终端。

本申请的上述实施例提供的方法，通过首先提取待合成语音对应的文本的文本特征，然后利用时长信息生成模型，生成发音时长信息序列，在这里，上述时长信息生成模型基于包括跳层神经网络的神经网络建立，从而可以生成更为准确的发音时长信息。

进一步参考图4a，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取待合成语音对应的文本。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以获取待合成语音对应的文本。

步骤402，提取文本的多种文本特征。

在本实施例中，上述电子设备可以提取上述文本的多种文本特征。

在本实施例中，提取文本的何种文本特征可以在实际应用中灵活调整。作为示例，提取的文本特征可以包括但不限于：文本对应的各个音素、音调信息、词向量、词性信息、标点符号信息等。

步骤403，对至少两种文本特征进行分组，生成预设数目个文本特征组。

在本实施例中，上述电子设备可以对至少两种文本特征进行分组，生成预设数目个文本特征组。

在本实施例中，所提取的文本特征的种类是已知的，可以预先定义将何种种类作为一组。在此过程中，可以根据实际情况，例如词性相关特征作为一组、停顿相关特征作为一组等，设置文本特征组的组织方式。由此，可以提取更为抽象的文本特征，进而，提高所生成的发音时长信息的准确率。

在本实施例中，上述电子设备或者其他电子设备，可以预先建立时长信息生成模型，上述时长信息生成模型用于表征文本特征与发音时长信息序列之间的对应关系。

在本实施例中，上述时长信息生成模型基于包括跳层神经网络的神经网络建立，跳层神经网络为具有跳层连接结构的神经网络。

在本实施例中，时长信息生成模型包括第一神经网络和第二神经网络。在这里，上述第一神经网络包括上述跳层神经网络，上述第一神经网络的输出是上述第二神经网络的输入。作为示例，上述第二神经网络可以是时间递归神经网络。

在本实施例的一些可选的实现方式中，第一神经网络包括一维卷积层，其中，上述一维卷积层的输出是上述跳层神经网络的输入。

在本实施例的一些可选的实现方式中，上述第一神经网络还包括时间递归神经网络，上述跳层神经网络的输出是上述时间递归神经网络的输入。在本实现方式中，一维卷积层的输入是文本特征，上述第一神经网络中的时间递归神经网络的输出是上述第二神经网络的输入。作为示例，上述第一神经网络中的时间递归神经网络可以是基于门控重复单元(gatedrecurrentunit，gru)的神经网络。

在本实施例中，第一神经网络的个数是预设数目个。

可以参考图4b，其示出了根据本实施例的时长信息生成模型的结构示意图。

步骤404，将预设数目个文本特征组分别导入预设数目个第一神经网络，得到由第二神经网络输出的发音时长信息序列。

在本实施例中，上述电子设备可以将上述预设数目个文本特征组分别导入上述预设数目个第一神经网络，得到由上述第二神经网络输出的发音时长信息序列。

需要说明的是，每个第一神经网络可以将类似的文本特征作为一类，提取更抽象的特征，模拟人脑思维时的分类思考方式，再由第二神经网络汇总，在更抽象的特征的基础上，生成发音时长信息，可以提高所生成的发音时长信息的准确性。

在本实施例中，时长信息生成模型可以通过以下方式建立：获取初始神经网络，初始神经网络包括初始第二神经网络和预设数目个初始第一神经网络，初始第一神经网络包括跳层神经网络，初始第一神经网络的输出是初始第二神经网络的输入；提取训练样本对应的文本的多种文本特征，对至少两种文本特征进行分组，生成预设数目个训练用文本特征组，将预设数目个训练用文本特征组导入预设数目个初始第一神经网络，得到由初始第二神经网络输出的训练用发音时长信息序列。根据训练用发音时长信息序列中各个发音时长信息和训练样本关联设置的发音时长信息，调整初始神经网络，得到时长信息生成模型。

从图4a中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了对利用多个文本特征组，生成时长信息的步骤。由此，本实施例描述的方案可以进一步提高所生成的时长信息的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，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5所示，本实施例上述的用于生成信息的装置500包括：获取单元501、提取单元502以及生成单元503。其中，获取单元，用于获取待合成语音对应的文本；提取单元，用于提取上述文本的文本特征；生成单元，用于将上述文本特征导入预先建立的时长信息生成模型，生成发音时长信息序列，其中，上述发音时长信息序列包括上述文本对应的音素序列中各音素的发音时长信息，其中，上述时长信息生成模型用于表征文本特征与发音时长信息序列之间的对应关系，上述时长信息生成模型基于包括跳层神经网络的神经网络建立，跳层神经网络为具有跳层连接结构的神经网络。。

在本实施例中，获取单元501、提取单元502以及生成单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202以及步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述时长信息生成模型包括第一神经网络和第二神经网络，其中，上述第一神经网络包括上述跳层神经网络，上述第一神经网络的输出是上述第二神经网络的输入。

在本实施例的一些可选的实现方式中，上述第一神经网络包括一维卷积层，其中，上述一维卷积层的输出是上述跳层神经网络的输入。

在本实施例的一些可选的实现方式中，上述第一神经网络还包括时间递归神经网络，上述跳层神经网络的输出是上述时间递归神经网络的输入。

在本实施例的一些可选的实现方式中，上述文本特征为至少两种文本特征，并且上述时长信息生成模型包括的第一神经网络为预设数目个，上述预设数目个第一神经网络的输出是上述第二神经网络的输入；以及上述生成单元，还用于：对上述至少两种文本特征进行分组，生成上述预设数目个文本特征组；将上述预设数目个文本特征组分别导入上述预设数目个第一神经网络，得到由上述第二神经网络输出的发音时长信息序列。

需要说明的是，本实施例提供的用于生成信息的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。

下面参考图6，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600的结构示意图。图6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6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，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610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608。

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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601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，本申请上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：一种处理器包括获取单元、提取单元以及生成单元。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，获取单元还可以被描述为“获取待合成语音对应的文本的单元”。

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：获取待合成语音对应的文本；提取上述文本的文本特征；将上述文本特征导入预先建立的时长信息生成模型，生成发音时长信息序列，其中，上述发音时长信息序列包括上述文本对应的音素序列中各音素的发音时长信息，其中，上述时长信息生成模型用于表征文本特征与发音时长信息序列之间的对应关系，上述时长信息生成模型基于包括跳层神经网络的神经网络建立，跳层神经网络为具有跳层连接结构的神经网络。

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。