语音合成方法、装置、可读介质及电子设备与流程

1.本公开涉及计算机技术领域，具体地，涉及一种语音合成方法、装置、可读介质及电子设备。


背景技术：

2.语音合成技术能够将任意文本转换成对应的音频，通常包括两个部分，一部分是对文本进行分析，得到语言学相关的信息，另一部分则是基于分析得出的结果生成声音波形。在相关技术中，通常缺乏对连读变调这一特征的学习，使得合成语音的声调无法得到有效控制，导致合成后的音频不够自然。


技术实现要素：

3.提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
4.第一方面，本公开提供一种语音合成方法，所述方法包括：
5.确定待处理的目标文本的声调标注信息，其中，所述声调标注信息包括所述目标文本中各文本单元的连读变调类型，其中，所述文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势；
6.确定所述目标文本的韵律标注信息和所述目标文本对应的音素序列；
7.根据所述声调标注信息、所述韵律标注信息和所述音素序列，生成与所述目标文本对应的合成音频。
8.第二方面，本公开提供一种语音合成装置，所述装置包括：
9.第一确定模块，用于确定待处理的目标文本的声调标注信息，其中，所述声调标注信息包括所述目标文本中各文本单元的连读变调类型，其中，所述文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势；
10.第二确定模块，用于确定所述目标文本的韵律标注信息和所述目标文本对应的音素序列；
11.生成模块，用于根据所述声调标注信息、所述韵律标注信息和所述音素序列，生成与所述目标文本对应的合成音频。
12.第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
13.第四方面，本公开提供一种电子设备，包括：
14.存储装置，其上存储有至少一个计算机程序；
15.至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现本公开第一方面所述方法的步骤。
16.通过上述技术方案，确定待处理的目标文本的声调标注信息，其中，声调标注信息
包括目标文本中各文本单元的连读变调类型，其中，文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势，确定目标文本的韵律标注信息和目标文本对应的音素序列，根据声调标注信息、韵律标注信息和音素序列，生成与目标文本对应的合成音频。由此，在针对目标文本进行语音合成时，除了使用韵律特征之外，还进一步引入了连读变调特征，从而，能够在语音合成时对连读变调方式进行直接控制，提升了语音合成中对于连读变调现象可控性，进而合成语音的自然度。
17.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
18.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
19.图1是根据本公开的一种实施方式提供的语音合成方法的流程图；
20.图2是根据本公开的一种实施方式提供的语音合成装置的框图；
21.图3示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
22.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
23.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
24.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
25.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
26.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
27.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
28.本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
29.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
30.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
31.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
32.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
33.同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
34.图1是根据本公开的一种实施方式提供的语音合成方法的流程图，如图1所示，本公开提供的方法可以包括步骤11～步骤13。
35.在步骤11中，确定待处理的目标文本的声调标注信息。
36.在本公开中，声调标注信息包括目标文本中各文本单元的连读变调类型，其中，文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势。
37.其中，单位文本就是构成目标文本的最小单位。例如，若目标文本为中文文本，则单位文本就是单个文字，也就是单个音节，相应地，文本单元就由至少一个文字构成。
38.文本单元的连读变调类型可以参考下述定义：
39.若文本单元由一个单位文本构成，该文本单元的连读变调类型为以下中的一者：用于指示音高为文本单元的原始声调的第一类型、用于指示音高由文本单元的原始声调的音高起点变化至平调的第二类型；
40.若文本单元由两个单位文本构成，该文本单元的连读变调类型为以下中的一者：用于指示音高由高平调降低至低平调的第三类型、用于指示音高由高平调降低至中平调的第四类型、用于指示音高由中平调升高至高平调的第五类型、用于指示音高由低平调升高至高平调的第六类型、用于指示音高由低平调升高至低升调的第七类型、用于指示音高由低平调升高至中平调的第八类型；
41.若文本单元由多于两个单位文本构成，该文本单元的连读变调类型为以下中的一者：第三类型、第四类型、第七类型、第八类型、用于指示音高由中平调升高至高平调再降低至低平调的第九类型、用于指示音高由中平调升高至高平调再降低至中平调的第十类型、用于指示音高由低平调升高至高平调再降低至低平调的第十一类型、用于指示音高由低平调升高至高平调再降低至中平调的第十二类型。
42.示例地，文本单元的连读变调类型及其音高变化趋势可以参考下表：
[0043][0044]
其中，h表示高平调，m表示中平调，l表示低平调，r表示低升调，符号
“‑”
用于分隔前后相邻的两个单位文本。以目标文本为中文文本为例，单位文本就是单个文字，也就是单个音节，相应地，h-l表示一个双音节词调，它的第一个音节为高平调，第二个音节为低平调，整体音高曲线是从高平调向低平调变化。
[0045]
在上表中，[m]{n}的意思是n个m相连，也就是n个中平调相连，如m{2}即是m-m，m{3}即是m-m-m，其余同理。
[0046]
需要说明的是，以第三类型为例，若文本单元由4个单位文本构成，则其音高变化趋势为h-m-m-l，则音高可以是由高平调逐渐降低至低平调，也就是说，中间的两个虽然都是中平调，但是前者的音高可以略高于后者。
[0047]
在步骤12中，确定目标文本的韵律标注信息和目标文本对应的音素序列。
[0048]
在本公开中，可以通过字素到音素(grapheme-to-phoneme，g2p)模型、来获取待合成文本对应的音素序列。
[0049]
示例地，g2p模型可以采用循环神经网络(recurrent neural network，rnn)和长短期记忆网络(long short-term memory，lstm)来实现从字素到音素的转化。
[0050]
韵律标注信息用于反映与韵律相关的内容，它可以包括但不限于韵律边界信息。其中，韵律边界(break index，可简写为brk)，也可以称为间断指数，用于描述信息在语流中组织、分句的形式。可选地，韵律边界信息可以包括但不限于句边界、语调短语边界、韵律短语边界和韵律词边界。
[0051]
在步骤13中，根据声调标注信息、韵律标注信息和音素序列，生成与目标文本对应的合成音频。
[0052]
通过上述技术方案，确定待处理的目标文本的声调标注信息，其中，声调标注信息包括目标文本中各文本单元的连读变调类型，其中，文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势，确定目标文本的韵律标注信息和目标文本对应的音素序列，根据声调标注信息、韵律标注信息和音素序列，生成与目标文本对应的合成音频。由此，在针对目标文本进行语音合成时，除了使用韵律特征之外，还进一步引入了连读变调特征，从而，能够在语音合成时对连读变调方式进行直接控制，提升了语音合成中对于连读变调现象可控性，进而合成语音的自然度。
[0053]
为了使得本领域技术人员更加理解本公开提供的语音合成方法，下面对上述各步骤进行详细举例说明。
[0054]
首先，对本公开所使用的声调标注信息的相关内容进行解释说明。
[0055]
如上文，声调标注信息包括目标文本中各文本单元的连读变调类型，其中，文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势。下面对目标文本的声调标注信息的确定方式进行详细说明。
[0056]
在一种可能的实施方式中，可以通过人工标注的方式确定目标文本的声调标注信息。也就是说，可以接收针对目标文本的声调标注操作，并根据该声调标注操作生成目标文本的声调标注信息。
[0057]
也就是说，标注人员可以直接对目标文本的声调进行标注操作，将期望从合成的音频中听到的连读变调特征标注到目标文本中。其中，对于声调的标注操作可以分两个步骤进行。
[0058]
第一个步骤，可以基于目标文本的内容划分文本单元，即，通过生成边界的方式将目标文本划分为多个文本单元。
[0059]
第二个步骤，针对每个文本单元标注其连读变调类型。
[0060]
在另一种可能的实施方式中，可以通过预先训练的声调标注模型实现目标文本的声调标注信息的确定。相应地，目标文本的声调标注信息可以通过以下方式得到：
[0061]
将目标文本输入至声调标注模型，获得声调标注模型的输出结果；
[0062]
根据输出结果，确定目标文本的声调标注信息。
[0063]
其中，声调标注模型基于带有声调标注信息的第二训练文本训练得到，输出结果包括用于将目标文本划分为多个文本单元的边界信息和每一文本单元各自对应的连读变调类型。
[0064]
第二训练文本可以是从真实存在的语音中提取出的文本，针对这样的语音，标注人员可以通过听语音的方式在文本中的合适位置进行标记，以得到第二训练文本的声调标
注信息。这样的标注主要依赖于标注人员的听感，标注思路可以参考前文中对于连读变调类型的描述。
[0065]
在一种可能的实施方式中，可以直接将上述输出结果作为目标文本的声调标注信息。
[0066]
在另一种可能的实施方式中，根据输出结果，确定目标文本的声调标注信息，可以包括以下步骤：
[0067]
确定是否接收到针对输出结果的修正指令；
[0068]
根据修正指令，对输出结果进行修正，并将修正后的输出结果确定为目标文本的声调标注信息。
[0069]
其中，修正指令用于指示更改输出结果中的边界信息、连读变调类型中的至少一者。
[0070]
也就是说，标注人员还可以针对模型的输出结果通过修正指令进行修正，以此在提升声调标注信息确定效率的基础上，还能保证标注的高准确性。
[0071]
通过上述方式，即可获得与第二训练文本的真实语音对应的声调标注信息。从而，将第二训练文本作为神经网络模型的输入，并将第二训练文本对应的声调标注信息作为模型的目标输出，对神经网络模型进行训练，训练完毕后，即可获得能够自动为文本生成声调标注信息的声调标注模型。这样，将一段文本输入至该声调标注模型，就能够自动获得声调标注模型输出的与该段文本对应的声调标注信息，不再需要人为标注，有利于提升声调标注信息的确定效率。
[0072]
回到图1，在步骤13中，根据声调标注信息、韵律标注信息和音素序列，生成与目标文本对应的合成音频。
[0073]
在一种可能的实施方式中，步骤13可以包括以下步骤：
[0074]
根据声调标注信息，确定目标文本对应的连读变调标签序列；
[0075]
根据韵律标注信息，确定目标文本对应的韵律标签序列；
[0076]
根据连读变调标签序列、韵律标签序列和音素序列，利用预先训练的语音合成模型，生成与目标文本对应的声学特征信息；
[0077]
利用声码器对声学特征信息进行语音合成，以生成与目标文本对应的合成音频。
[0078]
其中，确定连读变调标签的思路在于，同一文本单元的单位文本共享相同的连读变调标签，即，构成一个文本单元的各个单位文本的连读变调标签与该文本单元的连读变调标签一致。进而，按照文本单元在目标文本中的出现顺序，即可得到连读变调标签序列。
[0079]
如前文，韵律标注信息可以包括韵律边界信息，相应地，韵律标签可以包括韵律边界标签。
[0080]
韵律标注信息一般是标注了文本的某个位置，例如，文本的某个位置是韵律短语边界。而为了便于后续的语音合成，保证韵律标注信息能够与待合成文本的音素逐一对应上，可以基于韵律标注信息，进一步确定音素级别的韵律标签。
[0081]
确定韵律标签的思路在于，对于存在韵律标注信息的音素位置处，按照标注信息生成标签内容，而对于不存在韵律标注信息的音素位置处，用指定替代内容进行替代。例如，对于音素序列{a1，a2，a3，a4，a5，a6}，假设韵律标注信息中包括韵律边界信息，且标注内容为a2处存在韵律短语边界，a5处存在语调短语边界，并且，规定了韵律短语边界用3表
征、语调短语边界用4表征，无标记用n2表征，则确定出的韵律边界标签就是{n2，3，n2，n2，4，n2}。
[0082]
在生成与目标文本对应的声学特征信息时，可以将连读变调标签序列、韵律标签序列和音素序列输入到预先训练好的语音合成模型中，得到目标文本对应的声学特征信息。示例地，声学特征信息可以为梅尔频谱(mel谱)、线性谱等。
[0083]
上述语音合成模型可以包括编码网络、注意力网络和解码网络。其中，编码网络用于根据与连读变调标签序列、韵律标签序列和音素序列对应的拼接向量，生成文本表征序列；注意力网络用于根据文本表征序列，生成语义表征；解码网络用于根据语义表征，输出与目标文本对应的声学特征信息。
[0084]
语音合成模型的编码网络(encoder)的输入为目标文本的向量表示，它可以包括音素序列经过向量化(embedding)后得到的第一向量、连读变调标签序列经过向量化后的第二向量和韵律标签序列经过向量化后的第三向量，上述几者经过拼接后形成拼接向量，作为编码网络的输入。之后，编码网络对应输出目标文本的文本表征序列(te，text embedding)。编码网络输出的文本表征序列经过注意力网络，生成上下文向量c，作为目标文本的语义表征。注意力网络生成的语义表征进入解码网络，由解码网络输出与目标文本对应的声学特征信息。
[0085]
示例地，语音合成模型通过以下方式训练得到：
[0086]
获取第一训练样本，其中，每一第一训练样本包括第一训练文本对应的训练音素序列、训练连读变调标签序列、训练韵律标签序列，以及第一训练文本对应的训练声学特征信息；
[0087]
通过将与训练音素序列、训练连读变调标签序列和训练韵律标签序列对应的拼接向量作为模型的输入，并将训练声学特征信息作为模型的目标输出的方式进行模型训练，以得到训练完成的语音合成模型。
[0088]
示例地，上述语音合成模型可以使用tacotron模型。
[0089]
第一训练文本对应有音频，确定该音频的声学特征信息，作为训练声学特征信息。
[0090]
在本公开中，可以通过与步骤12中确定目标文本的音素序列相似的方式来确定第一训练文本的训练音素序列，并且，可以通过上文中确定目标文本的连读变调标签序列和韵律标签序列相似的方式确定第一训练文本的训练连读变调标签序列和训练韵律标签序列。此处不再对上述内容重复叙述。
[0091]
语音合成模型的训练目的在于，使通过模型输出合成的音频能够无限地接近于第一训练样本的实际音频，即，使模型输出的声学特征信息无限接近于训练声学特征信息。因此，可以基于训练声学特征信息和训练时模型输出的声学特征信息，计算模型的损失值，并利用该损失值对当前模型的内部参数进行调整。之后，将调整后的模型用于下一次的训练中，如此循环往复，直至满足停止训练的条件，就可以得到训练完成的语音合成模型。
[0092]
经过上述训练步骤得到的训练完成的语音合成模型，可以用于语音合成场景中。即：
[0093]
根据连读变调标签序列、韵律标签序列和音素序列，利用预先训练的语音合成模型，生成与目标文本对应的声学特征信息；
[0094]
利用声码器对声学特征信息进行语音合成，以生成与目标文本对应的合成音频。
[0095]
在得到目标文本的声学特征信息后，可以将该声学特征信息输入到声码器(例如，wavenet声码器、griffin-lim声码器)中，以进行语音合成，从而得到待合成文本对应的合成音频。
[0096]
图2是根据本公开的一种实施方式提供的语音合成装置的框图。如图2所示，所述装置20包括：
[0097]
第一确定模块21，用于确定待处理的目标文本的声调标注信息，其中，所述声调标注信息包括所述目标文本中各文本单元的连读变调类型，其中，所述文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势；
[0098]
第二确定模块22，用于确定所述目标文本的韵律标注信息和所述目标文本对应的音素序列；
[0099]
生成模块23，用于根据所述声调标注信息、所述韵律标注信息和所述音素序列，生成与所述目标文本对应的合成音频。
[0100]
可选地，所述生成模块23，包括：
[0101]
第一确定子模块，用于根据所述声调标注信息，确定所述目标文本对应的连读变调标签序列；
[0102]
第二确定子模块，用于根据所述韵律标注信息，确定所述目标文本对应的韵律标签序列；
[0103]
第一生成子模块，用于根据所述连读变调标签序列、所述韵律标签序列和所述音素序列，利用预先训练的语音合成模型，生成与所述目标文本对应的声学特征信息；
[0104]
合成子模块，用于利用声码器对所述声学特征信息进行语音合成，以生成与所述目标文本对应的合成音频。
[0105]
可选地，所述语音合成模型包括编码网络、注意力网络和解码网络；其中：
[0106]
所述编码网络用于根据与所述连读变调标签序列、所述韵律标签序列和所述音素序列对应的拼接向量，生成文本表征序列；
[0107]
所述注意力网络用于根据所述文本表征序列，生成语义表征；
[0108]
所述解码网络用于根据所述语义表征，输出与所述目标文本对应的声学特征信息。
[0109]
可选地，所述语音合成模型通过以下模块获得：
[0110]
获取模块，用于获取第一训练样本，其中，每一所述第一训练样本包括第一训练文本对应的训练音素序列、训练连读变调标签序列、训练韵律标签序列，以及所述第一训练文本对应的训练声学特征信息；
[0111]
训练模块，用于通过将与所述训练音素序列、所述训练连读变调标签序列和所述训练韵律标签序列对应的拼接向量作为模型的输入，并将所述训练声学特征信息作为模型的目标输出的方式进行模型训练，以得到训练完成的所述语音合成模型。
[0112]
可选地，所述第一确定模块21，包括：
[0113]
处理子模块，用于将所述目标文本输入至声调标注模型，获得所述声调标注模型的输出结果，其中，所述声调标注模型基于带有声调标注信息的第二训练文本训练得到，所述输出结果包括用于将所述目标文本划分为多个文本单元的边界信息和每一文本单元各自对应的连读变调类型；
[0114]
第三确定子模块，用于根据所述输出结果，确定所述目标文本的声调标注信息。
[0115]
可选地，所述第三确定子模块，包括：
[0116]
第四确定子模块，用于确定是否接收到针对所述输出结果的修正指令，所述修正指令用于指示更改所述输出结果中的边界信息、连读变调类型中的至少一者；
[0117]
修正子模块，用于根据所述修正指令，对所述输出结果进行修正，并将修正后的输出结果确定为所述目标文本的声调标注信息。
[0118]
可选地，若文本单元由一个单位文本构成，该文本单元的连读变调类型为以下中的一者：用于指示音高为文本单元的原始声调的第一类型、用于指示音高由文本单元的原始声调的音高起点变化至平调的第二类型；
[0119]
若文本单元由两个单位文本构成，该文本单元的连读变调类型为以下中的一者：用于指示音高由高平调降低至低平调的第三类型、用于指示音高由高平调降低至中平调的第四类型、用于指示音高由中平调升高至高平调的第五类型、用于指示音高由低平调升高至高平调的第六类型、用于指示音高由低平调升高至低升调的第七类型、用于指示音高由低平调升高至中平调的第八类型；
[0120]
若文本单元由多于两个单位文本构成，该文本单元的连读变调类型为以下中的一者：所述第三类型、所述第四类型、所述第七类型、所述第八类型、用于指示音高由中平调升高至高平调再降低至低平调的第九类型、用于指示音高由中平调升高至高平调再降低至中平调的第十类型、用于指示音高由低平调升高至高平调再降低至低平调的第十一类型、用于指示音高由低平调升高至高平调再降低至中平调的第十二类型。
[0121]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0122]
下面参考图3，其示出了适于用来实现本公开实施例的电子设备(600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0123]
如图3所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603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。
[0124]
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0125]
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，其包括承载在非暂态计算机可
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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
[0126]
需要说明的是，本公开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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0127]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0128]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0129]
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电子设备执行时，使得该电子设备：确定待处理的目标文本的声调标注信息，其中，所述声调标注信息包括所述目标文本中各文本单元的连读变调类型，其中，所述文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势；确定所述目标文本的韵律标注信息和所述目标文本对应的音素序列；根据所述声调标注信息、所述韵律标注信息和所述音素序列，生成与所述目标文本对应的合成音频。
[0130]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如
利用因特网服务提供商来通过因特网连接)。
[0131]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
[0132]
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取至少两个网际协议地址的模块”。
[0133]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0134]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0135]
根据本公开的一个或多个实施例，提供了一种语音合成方法，所述方法包括：
[0136]
确定待处理的目标文本的声调标注信息，其中，所述声调标注信息包括所述目标文本中各文本单元的连读变调类型，其中，所述文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势；
[0137]
确定所述目标文本的韵律标注信息和所述目标文本对应的音素序列；
[0138]
根据所述声调标注信息、所述韵律标注信息和所述音素序列，生成与所述目标文本对应的合成音频。
[0139]
根据本公开的一个或多个实施例，提供了一种语音合成方法，所述根据所述声调标注信息、所述韵律标注信息和所述音素序列，生成与所述目标文本对应的合成音频，包括：
[0140]
根据所述声调标注信息，确定所述目标文本对应的连读变调标签序列；
[0141]
根据所述韵律标注信息，确定所述目标文本对应的韵律标签序列；
[0142]
根据所述连读变调标签序列、所述韵律标签序列和所述音素序列，利用预先训练的语音合成模型，生成与所述目标文本对应的声学特征信息；
[0143]
利用声码器对所述声学特征信息进行语音合成，以生成与所述目标文本对应的合成音频。
[0144]
根据本公开的一个或多个实施例，提供了一种语音合成方法，所述语音合成模型包括编码网络、注意力网络和解码网络；其中：
[0145]
所述编码网络用于根据与所述连读变调标签序列、所述韵律标签序列和所述音素序列对应的拼接向量，生成文本表征序列；
[0146]
所述注意力网络用于根据所述文本表征序列，生成语义表征；
[0147]
所述解码网络用于根据所述语义表征，输出与所述目标文本对应的声学特征信息。
[0148]
根据本公开的一个或多个实施例，提供了一种语音合成方法，所述语音合成模型通过以下方式获得：
[0149]
获取第一训练样本，其中，每一所述第一训练样本包括第一训练文本对应的训练音素序列、训练连读变调标签序列、训练韵律标签序列，以及所述第一训练文本对应的训练声学特征信息；
[0150]
通过将与所述训练音素序列、所述训练连读变调标签序列和所述训练韵律标签序列对应的拼接向量作为模型的输入，并将所述训练声学特征信息作为模型的目标输出的方式进行模型训练，以得到训练完成的所述语音合成模型。
[0151]
根据本公开的一个或多个实施例，提供了一种语音合成方法，所述确定待处理的目标文本的声调标注信息，包括：
[0152]
将所述目标文本输入至声调标注模型，获得所述声调标注模型的输出结果，其中，所述声调标注模型基于带有声调标注信息的第二训练文本训练得到，所述输出结果包括用于将所述目标文本划分为多个文本单元的边界信息和每一文本单元各自对应的连读变调类型；
[0153]
根据所述输出结果，确定所述目标文本的声调标注信息。
[0154]
根据本公开的一个或多个实施例，提供了一种语音合成方法，所述根据所述输出结果，确定所述目标文本的声调标注信息，包括：
[0155]
确定是否接收到针对所述输出结果的修正指令，所述修正指令用于指示更改所述输出结果中的边界信息、连读变调类型中的至少一者；
[0156]
根据所述修正指令，对所述输出结果进行修正，并将修正后的输出结果确定为所述目标文本的声调标注信息。
[0157]
根据本公开的一个或多个实施例，提供了一种语音合成方法，若文本单元由一个单位文本构成，该文本单元的连读变调类型为以下中的一者：用于指示音高为文本单元的原始声调的第一类型、用于指示音高由文本单元的原始声调的音高起点变化至平调的第二类型；
[0158]
若文本单元由两个单位文本构成，该文本单元的连读变调类型为以下中的一者：用于指示音高由高平调降低至低平调的第三类型、用于指示音高由高平调降低至中平调的第四类型、用于指示音高由中平调升高至高平调的第五类型、用于指示音高由低平调升高至高平调的第六类型、用于指示音高由低平调升高至低升调的第七类型、用于指示音高由低平调升高至中平调的第八类型；
[0159]
若文本单元由多于两个单位文本构成，该文本单元的连读变调类型为以下中的一者：所述第三类型、所述第四类型、所述第七类型、所述第八类型、用于指示音高由中平调升高至高平调再降低至低平调的第九类型、用于指示音高由中平调升高至高平调再降低至中平调的第十类型、用于指示音高由低平调升高至高平调再降低至低平调的第十一类型、用于指示音高由低平调升高至高平调再降低至中平调的第十二类型。
[0160]
根据本公开的一个或多个实施例，提供了一种语音合成装置，所述装置包括：
[0161]
第一确定模块，用于确定待处理的目标文本的声调标注信息，其中，所述声调标注信息包括所述目标文本中各文本单元的连读变调类型，其中，所述文本单元由至少一个单位文本构成，文本单元的连读变调类型用于指示该文本单元的音高变化趋势；
[0162]
第二确定模块，用于确定所述目标文本的韵律标注信息和所述目标文本对应的音素序列；
[0163]
生成模块，用于根据所述声调标注信息、所述韵律标注信息和所述音素序列，生成与所述目标文本对应的合成音频。
[0164]
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开任意实施例所提供的语音合成方法的步骤。
[0165]
根据本公开的一个或多个实施例，提供了一种电子设备，包括：
[0166]
存储装置，其上存储有至少一个计算机程序；
[0167]
至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现本公开任意实施例所提供的语音合成方法的步骤。
[0168]
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
[0169]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0170]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。