智能播客生成方法、装置、设备及存储介质与流程

本申请涉及人工智能，尤其涉及智能播客生成方法、装置、设备及存储介质。

背景技术：

1、随着播客、有声书等音频内容消费的快速增长，用户对听觉体验的要求逐渐提升，期望生成的音频具有自然流畅的语音，并能根据内容情节表达喜怒哀乐等情感，并配合与语义一致的环境音效，形成沉浸式的收听体验。因此，需要将文本材料快速转化为高质量的对话型播客。

2、目前，现有做法是用户上传文本文件，通过简单的自然语言处理进行分词，提取语音合成指令，调用预设的语音库进行逐句朗读，并叠加一段固定的背景音乐，然而，现有做法不理解文本内容，无法对材料进行归纳总结，忽略文本中的深层情感信息，所有内容都使用同一节奏和语调，感染力差，且背景音乐固定不变，无法随语义变化动态匹配环境音，听觉上割裂感强，因此，如何根据不同素材智能生成适合播客表达的高质量对话内容成为亟待解决的问题。

技术实现思路

1、本申请的主要目的在于提供一种智能播客生成方法、装置、设备及存储介质，旨在解决如何根据不同素材智能生成适合播客表达的高质量对话内容的技术问题。

2、为实现上述目的，本申请提出一种智能播客生成方法，所述的方法包括：

3、获取用户上传的播客素材，所述播客素材包括主题文本和描述信息；

4、根据所述主题文本和所述描述信息，确定所述用户的对话文本，并对所述对话文本的情感特征进行分析，得到情感向量；

5、根据所述情感向量中的音高、音量和语速进行语音合成，得到所述用户的语音流；

6、根据所述语音流中的音频能量，确定所述对话文本的背景音；

7、根据所述语音流和所述背景音生成播客音频。

8、在一实施例中，所述根据所述主题文本和所述描述信息，确定所述用户的对话文本的步骤包括：

9、根据所述主题文本和所述描述信息，确定所述用户的对话要素，所述对话要素包括姓名、性别、对话内容和情绪波动类型；

10、根据所述姓名、所述性别、所述对话内容和所述情绪波动类型，得到所述用户的对话文本。

11、在一实施例中，所述对所述对话文本的情感特征进行分析，得到情感向量的步骤包括：

12、获取情感维度，所述情感维度包括愉悦度、唤醒度和支配度；

13、根据所述愉悦度、所述唤醒度和所述支配度，对所述对话文本的情感特征进行分析，得到情感向量。

14、在一实施例中，所述根据所述情感向量中的音高、音量和语速进行语音合成，得到所述用户的语音流的步骤包括：

15、获取所述用户的基准音色超参数；

16、根据所述情感向量对应的音色超参数，对所述基准音色超参数进行调整，得到语音超参数；

17、根据所述语音超参数中的音高、音量和语速进行语音合成，得到所述用户的语音流。

18、在一实施例中，所述根据所述语音流中的音频能量，确定所述对话文本的背景音的步骤包括：

19、根据所述语音流中的音频能量，确定所述音频能量对应的增益衰减因子；

20、根据所述增益衰减因子，确定所述对话文本的背景音。

21、在一实施例中，所述根据所述语音流中的音频能量，确定所述音频能量对应的增益衰减因子的步骤包括：

22、获取切片长度；

23、将所述语音流按所述切片长度进行划分，确定音频帧，并根据所述音频帧计算对应的音频能量；

24、根据所述音频能量确定对应的增益衰减因子。

25、在一实施例中，所述根据所述增益衰减因子，确定所述对话文本的背景音的步骤包括：

26、根据所述对话文本识别得到环境关键词；

27、根据所述环境关键词在预设背景音数据库中调用对应的初始背景音轨，所述初始背景音轨包括白噪音和环境音；

28、根据所述增益衰减因子对所述初始背景音进行调整，得到背景音。

29、此外，为实现上述目的，本申请还提出一种智能播客生成装置，所述智能播客生成装置包括：

30、获取模块，用于获取用户上传的播客素材，所述播客素材包括主题文本和描述信息；

31、处理模块，用于根据所述主题文本和所述描述信息，确定所述用户的对话文本，并根据所述对话文本得到情感向量；

32、所述处理模块，还用于根据所述情感向量中的音高、音量和语速进行语音合成，得到所述用户的语音流；

33、执行模块，用于根据所述语音流中的音频能量，确定所述对话文本的背景音；

34、所述执行模块，还用于根据所述语音流和所述背景音生成播客音频。

35、此外，为实现上述目的，本申请还提出一种智能播客生成设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的智能播客生成方法的步骤。

36、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的智能播客生成方法的步骤。

37、本申请提出的一个或多个技术方案，至少具有以下技术效果：

38、本实施例提出的一种智能播客生成方法，获取用户上传的播客素材，所述播客素材包括主题文本和描述信息；根据所述主题文本和所述描述信息，确定所述用户的对话文本，并对所述对话文本的情感特征进行分析，得到情感向量；根据所述情感向量中的音高、音量和语速进行语音合成，得到所述用户的语音流；根据所述语音流中的音频能量，确定所述对话文本的背景音；根据所述语音流和所述背景音生成播客音频。本申请通过分析用户输入的播客素材，自动生成对话文本，并进行情感分析以提取情感向量，通过情感向量合成语音流，并根据语音流的音频能量动态匹配与内容语义相对应的环境背景音，得到兼备自然情绪感染力和沉浸式听觉氛围的播客音频，从而营造出连贯沉浸的听觉空间，使语音的情绪走向与背景音的环境声景自然贴合，整体听感流畅统一，增强对话的交流真实感，提升播客音频的感染力。

1.一种智能播客生成方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述根据所述主题文本和所述描述信息，确定所述用户的对话文本的步骤包括：

3.如权利要求1所述的方法，其特征在于，所述对所述对话文本的情感特征进行分析，得到情感向量的步骤包括：

4.如权利要求1所述的方法，其特征在于，所述根据所述情感向量中的音高、音量和语速进行语音合成，得到所述用户的语音流的步骤包括：

5.如权利要求1所述的方法，其特征在于，所述根据所述语音流中的音频能量，确定所述对话文本的背景音的步骤包括：

6.如权利要求5所述的方法，其特征在于，所述根据所述语音流中的音频能量，确定所述音频能量对应的增益衰减因子的步骤包括：

7.如权利要求5所述的方法，其特征在于，所述根据所述增益衰减因子，确定所述对话文本的背景音的步骤包括：

8.一种智能播客生成装置，其特征在于，所述装置包括：

9.一种智能播客生成设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至7中任一项所述的智能播客生成方法的步骤。

10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的智能播客生成方法的步骤。