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，通常缺乏对韵律特征的考虑，使得合成语音的韵律(例如，语调、重音、音延、韵律边界等)无法得到有效控制，导致合成后的音频不够自然，缺乏表现力。


技术实现要素：

3.提供该发明内容部分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。该发明内容部分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.确定待合成文本的韵律标注信息，所述韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者；
6.确定所述待合成文本对应的音素序列；
7.根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签，所述韵律标签包括韵律边界标签、音高重音标签、边界调标签中的至少一者；
8.根据所述音素序列和所述韵律标签，利用语音合成模型，生成与所述待合成文本对应的合成音频；
9.其中，所述语音合成模型基于带有韵律标注信息的第一训练文本和所述第一训练文本对应的训练音频获得。
10.第二方面，本公开提供一种语音合成装置，所述装置包括：
11.第一确定模块，用于确定待合成文本的韵律标注信息，所述韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者；
12.第二确定模块，用于确定所述待合成文本对应的音素序列；
13.第三确定模块，用于根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签，所述韵律标签包括韵律边界标签、音高重音标签、边界调标签中的至少一者；
14.音频生成模块，用于根据所述音素序列和所述韵律标签，利用语音合成模型，生成与所述待合成文本对应的合成音频；
15.其中，所述语音合成模型基于带有韵律标注信息的第一训练文本和所述第一训练文本对应的训练音频获得。
16.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。
17.第四方面，本公开提供一种电子设备，包括：
18.存储装置，其上存储有计算机程序；
19.处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
20.通过上述技术方案，确定待合成文本的韵律标注信息，韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者，确定待合成文本对应的因素序列，并根据待合成文本的韵律标注信息确定因素级别的韵律标签，以及，根据因素序列和韵律标签，利用语音合成模型，生成与待合成文本对应的合成音频。由此，在进行语音合成的过程中，充分考虑了多种合适的韵律信息，以获得合成音频，能够有效提升合成音频的自然度。并且，将韵律信息精确到音素级别，控制精确度更高，能够达到更加合适、精准的韵律表现效果。
21.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
22.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：
23.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；
24.图2是根据本公开提供的语音合成方法中，标注页面的一种示例性的示意图；
25.图3是根据本公开提供的语音合成方法中，生成与待合成文本对应的合成音频的步骤的一种示例性的示意图；
26.图4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；
27.图5其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
28.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。
29.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。
30.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。
31.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。
32.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”。
33.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。
34.如背景技术所述，相关技术中的语音合成并未充分考虑韵律特征，从而导致合成后的音频不够自然，缺乏表现力。而在音系学中，tobi(tones and break indices)标签能够有效描述语调、重音、韵律结构，可引入语音合成前端，作为显式特征，用于语音合成训练与合成。然而，现有的tobi标注体系对标注员的要求较高，标注一致率不够理想，并且，过于细分的重音语调对语音的控制作用没有明显的听感分别，存在韵律特征冗余的现象。
35.为了解决上述技术问题，本公开提供一种语音合成方法、装置、可读介质及电子设备，以提升语音合成的自然度、表现力。
36.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，该方法可以包括以下步骤：
37.在步骤11中，确定待合成文本的韵律标注信息；
38.在步骤12中，确定待合成文本对应的音素序列；
39.在步骤13中，根据待合成文本的韵律标注信息，确定音素级别的韵律标签；
40.在步骤14中，根据音素序列和韵律标签，利用语音合成模型，生成与待合成文本对应的合成音频。
41.其中，韵律标注信息可以包括韵律边界信息、音高重音信息、边界调信息中的至少一者。相应地，韵律标签包括韵律边界标签、音高重音标签、边界调标签中的至少一者。语音合成模型基于带有韵律标注信息的第一训练文本和第一训练文本对应的训练音频获得。
42.通过上述技术方案，确定待合成文本的韵律标注信息，韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者，确定待合成文本对应的因素序列，并根据待合成文本的韵律标注信息确定因素级别的韵律标签，以及，根据因素序列和韵律标签，利用语音合成模型，生成与待合成文本对应的合成音频。由此，在进行语音合成的过程中，充分考虑了多种合适的韵律信息，以获得合成音频，能够有效提升合成音频的自然度。并且，将韵律信息精确到音素级别，控制精确度更高，能够达到更加合适、精准的韵律表现效果。
43.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。
44.首先对本公开所用到的韵律标注信息进行解释说明。
45.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、音高重音信息、边界调信息中的至少一者。
46.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。相应地，韵律边界信息可以用于指示文本中存在停顿的词边界位置，其中，词边界包括韵律短语边界和语调短语边界。
47.韵律短语边界，也就是小短语边界(minor phrase)，对应韵律短语，在听感上呈现短暂间断，造成信息组织的分割感，但不会有停顿。根据经验，正常语速下的短暂静音一般小于70ms，慢速语速(80
‑
120词/分)下的短暂静音一般在60ms
‑
170ms之间。
48.语调短语边界，也就是大短语边界(major phrase)，对应语调短语，听感上存在明
显停顿，并且，大短语边界的词通常会出现音延拉长的情况，使得该边界上的词拥有丰富的语调表现，例如，能够进行音高的两次滑动，可同时实现音高重音与边界调。根据经验，正常语速下表现为有静音大于70ms，慢速语速(80
‑
120词/分)下表现为有大于170ms的静音。
49.另外，韵律边界信息还可以包括句边界，它能使句末的边界调到达说话人的音域最高点或最低点，更符合真实的说话人效果。
50.音高重音(pitch accent，可简写为ton)，用于描述重读音节的音高变化，能够控制被强调信息与重音节奏型语言的节奏，其作用域在主重音音节上，或同一词的主重音与主重音后一音节上。在本公开中，将仅对主重音音节进行音高重音控制，忽略其他如次重音、零重音上的冗余信息，以达到信息精简的效果。相应地，音高重音信息用于指示文本中存在指定重音现象的音节位置，其中，指定重音现象可以包括高重音、低重音、升重音、低升重音和高降重音。
51.高重音，音高目标在高，基频曲线(f0)呈高平状，听感为汉语阴平。
52.低重音，音高目标在低，基频曲线呈低平状，听感为汉语上声前半部分。
53.升重音，音高目标在高，基频曲线呈攀升趋势，听感为汉语阳平。
54.低升重音，音高目标在低。若作用在单音节上，基频曲线呈下降趋势，末尾有略微抬升；若作用在双音节上，基频曲线在主重音呈下降趋势，主重音后一音节上呈攀升趋势，听感为汉语上声。
55.高降重音，音高目标在高，基频曲线呈下降趋势，听感为汉语去声。
56.边界调(boundary tone，可简写为pab)，用以解决句调问题，能够描述小短语边界与大短语边界中最后一个词的尾音节的音高走向。相应地，边界调信息可以包括高升调、降调、低升调和高平调。
57.高升调，音高目标在高，基频曲线呈持续上升的趋势，并结束在说话人的基频高点，一般用于描述一般疑问句，表达一种疑问语气。
58.降调，音高目标在低，基频曲线呈持续下降的趋势，并结束在说话人的基频低点，一般用于描述陈述句，表达一种陈述语气。
59.低升调，听感为汉语阳平，音高目标在高，基频曲线呈上升的趋势，并结束在说话人的基频中高点，一般用于描述条件从句或列举，表达一种连接感，也可表达疑问语气。
60.高平调，听感为汉语阴平，音高目标在平，基频曲线呈持平的趋势，基频一般在说话人中频处，一般表达一种未完待续感。
61.可选地，韵律边界信息还可以包括词重音信息，用于标记重音词。
62.可选地，韵律边界信息还可以包括词边界信息，用于描述词边界。
63.基于上述韵律标注信息，可以实现对文本的韵律标注，基于这些韵律信息，有利于获得更加自然的语音合成结果。并且，基于上述描述，能够规范标注方式，同时界定标注的作用域及标注域，设定标注的声学线索与阈值，有利于提升标注一致性。
64.下面对步骤11，确定待合成文本的韵律标注信息，进行说明。
65.在一种可能的实施方式中，可以通过人工标注的方式确定韵律标注信息。相应地，步骤11可以包括以下步骤：
66.接收针对待合成文本的标注操作，并根据标注操作生成韵律标注信息。
67.也就是说，标注人员可以直接对待合成文本进行标注操作，将期望从合成音频中
听到的韵律特征标注到待合成文本中。其中，对于各类韵律特征的标注思路可以参考前文关于韵律标注信息的描述。
68.在另一种可能的实施方式中，可以通过预先训练的韵律标注模型完成韵律标注信息的确定。相应地，步骤11可以包括以下步骤：
69.将待合成文本输入至韵律标注模型，获得韵律标注模型输出的韵律标注信息。
70.其中，韵律标注模型基于带有韵律标注信息的第二训练文本训练获得。
71.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，标注人员可以首先通过听语音的方式在文本中的合适位置进行标记，以生成韵律标注信息。这样的标注主要依赖于标注人员的听感。标注过程可以参考下述几个方面：
72.标记韵律边界，播放音频，判断语流在哪个词边界有明显停顿或间断感，标出韵律短语边界、语调短语边界(句边界可由机器自动标注，可不必人工标注)；
73.标记音高重音，播放音频，判断说话人在哪几个词上有明显加重；
74.标记音高重音与边界调，查看同一个词的同一个音节上是否同时标记了韵律边界和音高重音：如果不存在这种情况，则只听该词主重音音节上的语调变化，再与标准声调作比对，即可标记出音高重音，再听该词尾音节的语调变化，可标记出对应的边界调；如果存在这种情况，则需要综合考虑音高重音与边界调的影响，音高重音实现在该主重音音节的前半部分，边界调实现在后半部分。
75.示例地，标注人员可以通过指定的标注页面对待合成文本进行人工标注。标注页面可以如图2所示，其中，第1层为句子层(即，第二训练文本)，第2层为单词层，包含前后静音段“sil”、中间停顿“sp”，第3层为音标层，主重音用1表示，次重音用2表示，音节间用“.”进行分隔，第4层为音高重音标注层，第5层为韵律边界标注层，第6层为边界调标注层。第1、2、3层为间隔层(interval tier)，需要标注的第4、5、6层为点层(point tier)，即，以点的形式进行标注，只需保证标注的点在相应词的间隔区间内即可，即第二、三层的词边界内。在图2中，h*为高重音，h* l为高降重音，3为韵律短语边界，4为语调短语边界，h
‑
l％为高平调，l
‑
h％为低升调，l
‑
l％为降调。
76.基于上述方式，即可获得与第二训练文本的真实发音对应的韵律标注信息。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韵律标注信息作为模型的真实输出，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韵律标注信息的韵律标注模型。这样，将待合成文本输入至韵律标注模型，就能够自动获得韵律标注模型输出的韵律标注信息，不再需要实时地人工标注。
77.参见图1，在步骤12中，确定待合成文本对应的音素序列。
78.在步骤13中，根据待合成文本的韵律标注信息，确定音素级别的韵律标签。
79.如前文所述，韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者，相应地，韵律标签可以包括韵律边界标签、音高重音标签、边界调标签中的至少一者。
80.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。
81.确定韵律标签的思路在于，对于存在韵律标注的音素位置处，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}。
82.针对每一种韵律标注信息，均可以生成对应的韵律标签。例如，假设待合成文本的韵律标注信息包括韵律边界信息、音高重音信息、边界调信息、词重音信息和词边界信息，则将分别生成韵律边界标签、音高重音标签、边界调标签、词重音标签和词边界标签，且每一种标签均与音素序列的各个音素逐一对应。
83.在步骤14中，根据音素序列和韵律标签，利用语音合成模型，生成与待合成文本对应的合成音频。
84.其中，语音合成模型基于带有韵律标注信息的第一训练文本和第一训练文本对应的训练音频获得。
85.在一种可能的实施方式中，步骤14可以包括以下步骤，如图3所示。
86.在步骤31中，按照预设的组合顺序，将音素序列和各种韵律标签组合为目标输入序列。
87.示例地，可以按照音素序列、词重音标签、音高重音标签、韵律边界标签、边界调标签和词边界标签的顺序进行组合，以组合出目标输入序列。
88.在步骤32中，将目标输入序列输入至语音合成模型，获得语音合成模型输出的对应于目标输入序列的声学特征信息。
89.示例地，语音合成模型可以通过如下方式获得：
90.确定与第一训练文本对应的训练音素序列；
91.根据第一训练文本的韵律标注信息，确定音素级别的训练韵律标签；
92.按照预设的组合顺序，将训练音素序列和各种训练韵律标签进行组合，获得训练输入序列；
93.将训练输入序列输入至深度学习模型，获得深度学习模型输出的训练声学特征信息；
94.根据训练声学特征信息和训练音频对应的实际声学特征信息，确定损失值；
95.根据损失值对深度学习模型的参数进行调整，以获得语音合成模型。
96.第一训练文本的韵律标注信息的获得，可以参考前文针对韵律标注信息的标注方式。也就是说，针对每一第一训练文本，标注人员基于该第一训练文本的训练音频完成标注。训练输入序列的获得方式可以参考前文目标输入序列的获得方式。
97.初始情况下，可以构建一深度学习模型，作为初始训练时使用的模型。深度学习模型中可以设置有编码模块、自动对齐模块和解码模块。在训练过程中，将训练输入序列输入至深度学习模型中，获得深度学习模型输出的声学特征信息，作为训练声学特征信息。
98.示例地，可以将训练输入序列输入深度学习模型的编码模块中，其编码模块将对训练输入序列进行处理，获得训练输入序列的向量化表示，各标签转化为向量数组。编码模块将输出音素级别的向量，该向量进一步通过自动对齐模型，与相应的训练音频先对齐，实现音素到音频帧的对齐。同时，对齐后得到的数据结果作为解码模块的输入，由解码模块进行处理，并输出对应的声学特征信息。
99.训练声学特征信息是现有的深度学习模型基于其自身模型内参数生成的输出结果。同时，第一训练文本还对应有其真实的训练音频，基于该训练音频，能够获得训练音频对应的实际声学特征信息。训练的目的是使深度学习模型的输出无限地接近于实际音频，因此，可以基于训练声学特征信息和实际声学特征信息计算深度学习模型的损失值，并利用损失值对当前深度学习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，此时的模型就是最终获得的语音合成模型。
100.基于获得的语音合成模型，可以用于语音合成的场景中。语音合成模型应用过程中，步骤32可以包括以下步骤：
101.将目标输入序列输入至语音合成模型的编码模块，得到编码模块输出的目标向量；
102.将目标向量输入至语音合成模型的解码模块，得到解码模块输出的声学特征信息。
103.模型应用过程中的处理与模型训练相似，此处不再赘述。
104.在步骤33中，根据声学特征信息，生成合成音频。
105.示例地，声学特征信息可以为梅尔频谱(mel谱)。在获得声学特征信息的情况下，可以将声学特征信息输入声码器，即可获得声码器输出的合成音频。
106.通过上述技术方案，确定待合成文本的韵律标注信息，韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者，确定待合成文本对应的因素序列，并根据待合成文本的韵律标注信息确定因素级别的韵律标签，以及，根据因素序列和韵律标签，利用语音合成模型，生成与待合成文本对应的合成音频。由此，在进行语音合成的过程中，充分考虑了多种合适的韵律信息，以获得合成音频，能够有效提升合成音频的自然度。并且，将韵律信息精确到音素级别，控制精确度更高，能够达到更加合适、精准的韵律表现效果。
107.图4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4所示，该装置40包括：
108.第一确定模块41，用于确定待合成文本的韵律标注信息，所述韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者；
109.第二确定模块42，用于确定所述待合成文本对应的音素序列；
110.第三确定模块43，用于根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签，所述韵律标签包括韵律边界标签、音高重音标签、边界调标签中的至少一者；
111.音频生成模块44，用于根据所述音素序列和所述韵律标签，利用语音合成模型，生成与所述待合成文本对应的合成音频；
112.其中，所述语音合成模型基于带有韵律标注信息的第一训练文本和所述第一训练文本对应的训练音频获得。
113.可选地，所述音频生成模块44，包括：
114.组合子模块，用于按照预设的组合顺序，将所述音素序列和各种韵律标签组合为目标输入序列；
115.模型处理子模块，用于将所述目标输入序列输入至所述语音合成模型，获得所述
语音合成模型输出的对应于所述目标输入序列的声学特征信息；
116.音频生成子模块，用于根据所述声学特征信息，生成所述合成音频。
117.可选地，所述语音合成模型包括编码模块和解码模块；
118.所述模型处理子模块用于：将所述目标输入序列输入至所述语音合成模型的编码模块，得到所述编码模块输出的目标向量；将所述目标向量输入至所述语音合成模型的解码模块，得到所述解码模块输出的所述声学特征信息。
119.可选地，所述语音合成模型通过如下方式获得：
120.确定与所述第一训练文本对应的训练音素序列；
121.根据所述第一训练文本的韵律标注信息，确定音素级别的训练韵律标签；
122.按照预设的组合顺序，将所述训练音素序列和各种训练韵律标签进行组合，获得训练输入序列；
123.将所述训练输入序列输入至深度学习模型，获得所述深度学习模型输出的训练声学特征信息；
124.根据所述训练声学特征信息和所述训练音频对应的实际声学特征信息，确定损失值；
125.根据所述损失值对所述深度学习模型的参数进行调整，以获得所述语音合成模型。
126.可选地，所述第一确定模块41，包括：
127.第一生成子模块，用于接收针对所述待合成文本的标注操作，并根据标注操作生成所述韵律标注信息；或者，
128.第二生成子模块，用于将所述待合成文本输入至韵律标注模型，获得所述韵律标注模型输出的韵律标注信息，所述韵律标注模型基于带有韵律标注信息的第二训练文本训练获得。
129.可选地，所述韵律边界信息用于指示文本中存在停顿的词边界位置，且所述词边界包括韵律短语边界和语调短语边界；所述音高重音信息用于指示文本中存在指定重音现象的音节位置，且所述指定重音现象包括高重音、低重音、升重音、低升重音和高降重音；所述边界调信息用于指示词边界位置处词尾音节的音高信息，且所述边界调信息包括高升调、降调、低升调和高平调。
130.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。
131.下面参考图5，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5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。
132.如图5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。
133.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5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。
134.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。
135.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。
136.在一些实施方式中，客户端可以利用诸如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。
137.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。
138.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：确定待合成文本的韵律标注信息，所述韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者；确定所述待合成文本对应的音素序列；根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签，所述韵律标签包括
韵律边界标签、音高重音标签、边界调标签中的至少一者；根据所述音素序列和所述韵律标签，利用语音合成模型，生成与所述待合成文本对应的合成音频；其中，所述语音合成模型基于带有韵律标注信息的第一训练文本和所述第一训练文本对应的训练音频获得。
139.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)。
140.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。
141.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，第一确定模块还可以被描述为“确定待合成文本的韵律标注信息的模块”。
142.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。
143.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。
144.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：
145.确定待合成文本的韵律标注信息，所述韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者；
146.确定所述待合成文本对应的音素序列；
147.根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签，所述韵律标签包括韵律边界标签、音高重音标签、边界调标签中的至少一者；
148.根据所述音素序列和所述韵律标签，利用语音合成模型，生成与所述待合成文本对应的合成音频；
149.其中，所述语音合成模型基于带有韵律标注信息的第一训练文本和所述第一训练文本对应的训练音频获得。
150.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，所述根据所述音素序列和所述韵律标签，利用语音合成模型，生成与所述待合成文本对应的合成音频，包括：
151.按照预设的组合顺序，将所述音素序列和各种韵律标签组合为目标输入序列；
152.将所述目标输入序列输入至所述语音合成模型，获得所述语音合成模型输出的对应于所述目标输入序列的声学特征信息；
153.根据所述声学特征信息，生成所述合成音频。
154.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模块和解码模块；
155.所述将所述目标输入序列输入至所述语音合成模型，获得所述语音合成模型输出的对应于所述目标输入序列的声学特征信息，包括：
156.将所述目标输入序列输入至所述语音合成模型的编码模块，得到所述编码模块输出的目标向量；
157.将所述目标向量输入至所述语音合成模型的解码模块，得到所述解码模块输出的所述声学特征信息。
158.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如下方式获得：
159.确定与所述第一训练文本对应的训练音素序列；
160.根据所述第一训练文本的韵律标注信息，确定音素级别的训练韵律标签；
161.按照预设的组合顺序，将所述训练音素序列和各种训练韵律标签进行组合，获得训练输入序列；
162.将所述训练输入序列输入至深度学习模型，获得所述深度学习模型输出的训练声学特征信息；
163.根据所述训练声学特征信息和所述训练音频对应的实际声学特征信息，确定损失值；
164.根据所述损失值对所述深度学习模型的参数进行调整，以获得所述语音合成模型。
165.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，所述确定待合成文本的韵律标注信息，包括：
166.接收针对所述待合成文本的标注操作，并根据标注操作生成所述韵律标注信息；或者，
167.将所述待合成文本输入至韵律标注模型，获得所述韵律标注模型输出的韵律标注信息，所述韵律标注模型基于带有韵律标注信息的第二训练文本训练获得。
168.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，所述韵律边界信息
用于指示文本中存在停顿的词边界位置，且所述词边界包括韵律短语边界和语调短语边界；
169.所述音高重音信息用于指示文本中存在指定重音现象的音节位置，且所述指定重音现象包括高重音、低重音、升重音、低升重音和高降重音；
170.所述边界调信息用于指示词边界位置处词尾音节的音高信息，且所述边界调信息包括高升调、降调、低升调和高平调。
171.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：
172.第一确定模块，用于确定待合成文本的韵律标注信息，所述韵律标注信息包括韵律边界信息、音高重音信息、边界调信息中的至少一者；
173.第二确定模块，用于确定所述待合成文本对应的音素序列；
174.第三确定模块，用于根据所述待合成文本的韵律标注信息，确定音素级别的韵律标签，所述韵律标签包括韵律边界标签、音高重音标签、边界调标签中的至少一者；
175.音频生成模块，用于根据所述音素序列和所述韵律标签，利用语音合成模型，生成与所述待合成文本对应的合成音频；
176.其中，所述语音合成模型基于带有韵律标注信息的第一训练文本和所述第一训练文本对应的训练音频获得。
177.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，所述音频生成模块，包括：
178.组合子模块，用于按照预设的组合顺序，将所述音素序列和各种韵律标签组合为目标输入序列；
179.模型处理子模块，用于将所述目标输入序列输入至所述语音合成模型，获得所述语音合成模型输出的对应于所述目标输入序列的声学特征信息；
180.音频生成子模块，用于根据所述声学特征信息，生成所述合成音频。
181.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第一方面所述方法的步骤。
182.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：
183.存储装置，其上存储有计算机程序；
184.处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
185.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。
186.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。
187.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。