语音合成方法、装置、电子设备和存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种语音合成方法、装置、电子设备、存储介质和计算机程序产品。


背景技术：

2.目前，语音合成方法可将文本转换为具有目标用户语音特征的音频，在语音聊天、智能家居等领域得到了广泛应用。比如，在语音聊天场景中，接收用户的聊天语音之后，可获取与其匹配的聊天文本，并实时将聊天文本转换为具有目标用户语音特征的音频，并播放音频或者反馈至用户终端。然而，现有技术中的语音合成方法，合成的语音的真实度和自然度较差。


技术实现要素：

3.本公开提供了一种语音合成方法、装置、电子设备、存储介质和计算机程序产品。
4.根据本公开的一方面，提供了一种语音合成方法，包括：获取待合成文本以及获取目标用户的语音特征，并根据所述待合成文本和所述语音特征，获取预测的第一声学特征；根据所述待合成文本，从模板音频库中获取目标模板音频，并提取所述目标模板音频的第二声学特征；将所述第一声学特征和所述第二声学特征进行拼接，生成目标声学特征；基于所述目标声学特征和所述语音特征，对所述待合成文本进行语音合成，以生成所述待合成文本的目标语音。
5.根据本公开的另一方面，提供了一种语音合成装置，包括：预测模块，用于获取待合成文本以及获取目标用户的语音特征，并根据所述待合成文本和所述语音特征，获取预测的第一声学特征；提取模块，用于根据所述待合成文本，从模板音频库中获取目标模板音频，并提取所述目标模板音频的第二声学特征；拼接模块，用于将所述第一声学特征和所述第二声学特征进行拼接，生成目标声学特征；合成模块，用于基于所述目标声学特征和所述语音特征，对所述待合成文本进行语音合成，以生成所述待合成文本的目标语音。
6.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行语音合成方法。
7.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行语音合成方法。
8.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现语音合成方法的步骤。
9.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1是根据本公开第一实施例的语音合成方法的流程示意图；
12.图2是根据本公开第二实施例的语音合成方法的流程示意图；
13.图3是根据本公开第三实施例的语音合成方法的流程示意图；
14.图4是根据本公开第一实施例的目标语音合成模型的示意图；
15.图5是根据本公开第一实施例的语音合成装置的框图；
16.图6是用来实现本公开实施例的语音合成方法的电子设备的框图。
具体实施方式
17.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
18.语音可包括语音识别、语音分离、语音交互、语音合成等技术领域，是人工智能领域中的一个重要方向。
19.语音合成(voice synthesis)是一种让机器将文字信息转化为可输出的语音的技术，涉及声学、语言学、数字信号处理、计算机科学等领域。
20.ai(artificial intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，ai技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。
21.nlu(natural language processing，自然语言处理)是研究能有效地实现自然语言通信的计算机系统，特别是其中的软件系统的一门科学，是计算机科学领域与人工智能领域中的一个重要方向。
22.深度学习(deep learning)是机器学习(machine learning)领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，使得机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据的一门科学，广泛应用于语音和图像识别。
23.图1是根据本公开第一实施例的语音合成方法的流程示意图。
24.如图1所示，本公开第一实施例的语音合成方法，包括：
25.s101，获取待合成文本以及获取目标用户的语音特征，并根据待合成文本和语音特征，获取预测的第一声学特征。
26.需要说明的是，本公开实施例的语音合成方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地，执行主体可包括工作站、服务器，计算机、用户终端及其他智能设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
27.本公开的实施例中，可获取待合成文本。应说明的是，对待合成文本的语言、类型等不做过多限定，例如，待合成文本的语言包括但不限于中文、英文等，待合成文本的类型包括但不限于聊天文本、演讲文本等。
28.本公开的实施例中，可获取目标用户的语音特征。可以理解的是，不同的目标用户
可对应不同的语音特征。应说明的是，对语音特征的类型不做过多限定。
29.在一种实施方式中，目标用户的语音特征可预先存储在本地，从而语音合成时可从本地的存储空间中获取目标用户的语音特征，即可离线获取目标用户的语音特征，有效减少了语音合成的运算量。
30.本公开的实施例中，可根据待合成文本和语音特征，获取预测的第一声学特征，从而可综合考虑待合成文本和目标用户的语音特征对预测的第一声学特征的影响，预测的第一声学特征具有待合成文本的特征和语音特征，可实现个性化语音合成。
31.在一种实施方式中，根据待合成文本和语音特征，获取预测的第一声学特征，可包括将待合成文本和语音特征输入至特征预测算法，由特征预测算法输出预测的第一声学特征。其中，特征预测算法可根据实际情况进行设置，这里不做过多限定。
32.s102，根据待合成文本，从模板音频库中获取目标模板音频，并提取目标模板音频的第二声学特征。
33.本公开的实施例中，可获取模板音频库，模板音频库包括多个模板音频。可以理解的是，模板音频库可根据实际情况进行设置，这里不做过多限定。
34.本公开的实施例中，可根据待合成文本，从模板音频库中获取目标模板音频。进一步地，可提取目标模板音频的第二声学特征。
35.在一种实施方式中，提取目标模板音频的第二声学特征，可包括将目标模板音频输入至特征提取算法，由特征提取算法输出第二声学特征。其中，特征提取算法可根据实际情况进行设置，这里不做过多限定。
36.s103，将第一声学特征和第二声学特征进行拼接，生成目标声学特征。
37.本公开的实施例中，可将第一声学特征和第二声学特征进行拼接，生成目标声学特征，从而生成的目标声学特征可同时具有待合成文本的第一声学特征和目标模板音频的第二声学特征，特征表示效果更好。
38.在一种实施方式中，将第一声学特征和第二声学特征进行拼接，生成目标声学特征，可包括获取目标模板音频对应的目标模板文本，基于目标模板文本和待合成文本，确定第一声学特征和第二声学特征的拼接位置，按照拼接位置将第一声学特征和第二声学特征进行拼接，生成目标声学特征。
39.例如，待合成文本为“您本月的话费为16元”，目标模板音频对应的目标模板文本为“您本月的话费为100元”，则可将第一声学特征中“16”对应的特征2的拼接位置确定为第二声学特征中“100”对应的特征位置，可将第二声学特征中“您本月的话费为”对应的特征1与第一声学特征中“16”对应的特征2、第二声学特征中“元”对应的特征3进行拼接，且特征1在特征2的时序靠前位置，特征2在特征3的时序靠前位置。
40.s104，基于目标声学特征和语音特征，对待合成文本进行语音合成，以生成待合成文本的目标语音。
41.本公开的实施例中，可基于目标声学特征和语音特征，对待合成文本进行语音合成，以生成待合成文本的目标语音。
42.在一种实施方式中，基于目标声学特征和语音特征，对待合成文本进行语音合成，以生成待合成文本的目标语音，可包括将目标声学特征、语音特征、待合成文本输入至语音合成算法，由语音合成算法输出待合成文本的目标语音。其中，语音合成算法可根据实际情
况进行设置，这里不做过多限定。
43.综上，根据本公开实施例的语音合成方法，可根据待合成文本和语音特征，获取预测的第一声学特征，并提取目标模板音频的第二声学特征，将第一声学特征和第二声学特征进行拼接，生成目标声学特征，并基于目标声学特征和语音特征，对待合成文本进行语音合成，以生成待合成文本的目标语音。由此，目标声学特征可同时具有待合成文本的第一声学特征和目标模板音频的第二声学特征，特征表示效果更好，有助于提高目标语音的真实度和自然度，语音合成效果更好。
44.图2是根据本公开第二实施例的语音合成方法的流程示意图。
45.如图2所示，本公开第二实施例的语音合成方法，包括：
46.s201，获取待合成文本以及获取目标用户的语音特征，语音特征包括风格特征和音色特征，根据待合成文本和风格特征，获取预测的第一声学特征。
47.本公开的实施例中，目标用户的标识信息与目标用户的语音特征之间具有对应关系。其中，标识信息可根据实际情况进行设置，这里不做过多限定，例如，目标用户的标识信息可设置为“张三”、“李四”。
48.在一种实施方式中，获取目标用户的语音特征，可包括获取目标用户的标识信息，根据标识信息，获取目标用户的语音特征。由此，该方法可基于目标用户的标识信息，获取目标用户的语音特征。
49.例如，可预先建立目标用户的标识信息和目标用户的语音特征之间的映射关系或者映射表，获取目标用户的标识信息之后，可根据标识信息在上述映射关系或者映射表中查询该标识信息映射的语音特征，作为目标用户的语音特征。
50.本公开的实施例中，语音特征可包括风格特征和音色特征，风格特征可用于区分一个用户的不同风格，音色特征可用于区分不同用户。
51.本公开的实施例中，可根据待合成文本和风格特征，获取预测的第一声学特征。
52.在一种实施方式中，根据待合成文本和风格特征，获取第一声学特征，可包括对待合成文本进行向量化处理，得到向量特征，对向量特征依次进行卷积处理和双向时间循环处理，得到待合成文本的文本特征，将文本特征和风格特征进行拼接，得到第一拼接特征，对第一拼接特征依次进行卷积处理、双向时间循环处理和线性处理，得到第一声学特征。
53.可选的，将文本特征和风格特征进行拼接，得到第一拼接特征，可包括将文本特征和风格特征的和值作为第一拼接特征。
54.本公开的实施例中，声学特征包括基频特征、能量特征、时长特征中的至少一种。应说明的是，对声学特征的粒度不做过多限定，例如，声学特征可为音素粒度的声学特征。
55.s202，根据待合成文本，从模板音频库中获取目标模板音频，并提取目标模板音频的第二声学特征。
56.本公开的实施例中，根据待合成文本，从模板音频库中获取目标模板音频，可包括获取模板音频库中模板音频对应的模板文本，获取待合成文本与模板文本之间的相似度，将相似度最高的模板文本对应的模板音频作为目标模板音频。由此，该方法可根据待合成文本与模板文本之间的相似度，从模板音频库中筛选出相似度最高的模板文本对应的模板音频作为目标模板音频，选取的目标模板音频与待合成文本的匹配度最高，从而语音合成的效果更好。
57.例如，智能客服场景下，模板音频库可包括模板音频a、b、c、d，模板音频a、b、c、d分别对应模板文本a、b、c、d，模板文本a、b、c、d分别为“您本月的话费为100元”、“您已成功充值100元”、“您的账户余额为100元”、“您本月的剩余通用流量为5gb”。待合成文本为“您本月的话费为16元”，可知该待合成文本与模板文本a的相似度最高，则可从模板音频库中获取目标模板音频为模板音频a。
58.s203，将第一声学特征和第二声学特征进行拼接，生成目标声学特征。
59.s204，基于目标声学特征和语音特征，对待合成文本进行语音合成，以生成待合成文本的目标语音。
60.步骤s203
‑
s204的相关内容可参见上述实施例，这里不再赘述。
61.综上，根据本公开实施例的语音合成方法，语音特征包括风格特征和音色特征，可根据待合成文本和风格特征，获取预测的第一声学特征，从而可综合考虑待合成文本和目标用户的风格特征对预测的第一声学特征的影响，使得预测的第一声学特征具有目标用户的风格特征，有助于提高语音合成的个性化。
62.图3是根据本公开第三实施例的语音合成方法的流程示意图。
63.如图3所示，本公开第三实施例的语音合成方法，包括：
64.s301，获取待合成文本以及获取目标用户的语音特征，并根据待合成文本和语音特征，获取预测的第一声学特征。
65.s302，根据待合成文本，从模板音频库中获取目标模板音频，并提取目标模板音频的第二声学特征。
66.步骤s301
‑
s302的相关内容可参见上述实施例，这里不再赘述。
67.s303，获取目标模板音频对应的目标模板文本。
68.本公开的实施例中，模板音频与模板文本具有对应关系，不同的模板音频可对应不同的模板文本，并可获取目标模板音频对应的目标模板文本。
69.在一种实施方式中，可预先建立模板音频和模板文本之间的映射关系或者映射表，在获取到目标模板音频之后，可在上述映射关系或者映射表中查询该目标模板音频映射的模板文本，作为目标模板文本。应说明的是，上述映射关系或者映射表均可根据实际情况进行设置，这里不做过多限定。
70.例如，智能客服场景下，模板音频库可包括模板音频a、b、c、d，模板音频a、b、c、d分别对应模板文本a、b、c、d，模板文本a、b、c、d分别为“您本月的话费为100元”、“您已成功充值100元”、“您的账户余额为100元”、“您本月的剩余通用流量为5gb”。若目标模板音频为模板音频a，则可将模板文本a“您本月的话费为100元”作为目标模板文本。
71.s304，获取待合成文本与目标模板文本之间的重合文本和差异文本。
72.本公开的实施例中，待合成文本和目标模板文本可能存在相同部分和不同部分，可将待合成文本和目标模板文本进行比对，获取待合成文本与目标模板文本之间的重合文本和差异文本。
73.可以理解的是，待合成文本和目标模板文本均包括重合文本。
74.在一种实施方式中，差异文本指的是待合成文本中与目标模板文本存在差异的文本。
75.例如，待合成文本为“您本月的话费为16元”，目标模板文本为“您本月的话费为
100元”，则重合文本可包括“您本月的话费为”、“元”，差异文本可为“16”。
76.s305，从第一声学特征中提取差异文本对应的目标第一声学特征，并从第二声学特征中提取重合文本对应的目标第二声学特征。
77.本公开的实施例中，待合成文本可包括差异文本，则可从待合成文本对应的第一声学特征中提取差异文本对应的目标第一声学特征。目标模板音频对应的目标模板文本包括重合文本，则可从目标模板音频对应的第二声学特征中提取重合文本对应的目标第二声学特征。
78.例如，待合成文本为“您本月的话费为16元”，目标模板文本为“您本月的话费为100元”，则重合文本可包括“您本月的话费为”、“元”，差异文本可为“16”，则可从第一声学特征中提取“16”对应的目标第一声学特征，并从第二声学特征中提取“您本月的话费为”、“元”对应的目标第二声学特征。
79.在一种实施方式中，从第一声学特征中提取差异文本对应的目标第一声学特征，可包括获取差异文本在待合成文本中的第一开始位置和第一结束位置，从第一声学特征中提取第一开始位置至第一结束位置对应的声学特征，并将提取的声学特征作为目标第一声学特征。由此，该方法可基于第一开始位置和第一结束位置，精准地从第一声学特征中提取目标第一声学特征。
80.例如，待合成文本为“您本月的话费为16元”，差异文本为“16”，则差异文本“16”在待合成文本中的第一开始位置为“1”对应的文本位置，第一结束位置为“6”对应的文本位置，可从第一声学特征中提取第一开始位置至第一结束位置对应的声学特征，并将提取的声学特征作为目标第一声学特征。
81.在一种实施方式中，从第二声学特征中提取重合文本对应的目标第二声学特征，可包括获取重合文本在目标模板文本中的第二开始位置和第二结束位置，从第二声学特征中提取第二开始位置至第二结束位置对应的声学特征，并将提取的声学特征作为目标第二声学特征。由此，该方法可基于第二开始位置和第二结束位置，精准地从第二声学特征中提取目标第二声学特征。
82.例如，目标模板文本为“您本月的话费为100元”，重合文本包括“您本月的话费为”、“元”，则重合文本“您本月的话费为”在目标模板文本中的第二开始位置为“您”对应的文本位置，第二结束位置为“为”对应的文本位置，重合文本“元”在目标模板文本中的第二开始位置和第二结束位置均为“元”对应的文本位置，可从第二声学特征中提取第二开始位置至第二结束位置对应的声学特征，并将提取的声学特征作为目标第二声学特征。
83.在一种实施方式中，从第一声学特征中提取第一开始位置至第一结束位置对应的声学特征，可包括获取待合成文本的文本位置与第一声学特征的特征位置之间的对应关系，基于对应关系获取第一开始位置和第一结束位置对应的第一声学特征中的第三开始位置和第三结束位置，并从第一声学特征中提取第三开始位置和第三结束位置对应的声学特征。
84.需要说明的是，从第二声学特征中提取第二开始位置至第二结束位置对应的声学特征的相关内容，可参照从第一声学特征中提取第一开始位置至第一结束位置对应的声学特征的相关内容，这里不再赘述。
85.s306，将所述目标第一声学特征和所述目标第二声学特征进行拼接，生成所述目
标声学特征。
86.步骤s306的相关内容可参见上述实施例，这里不再赘述。
87.s307，将待合成文本的文本特征、音色特征和目标声学特征进行拼接，生成第二拼接特征。
88.需要说明的是，关于待合成文本的文本特征的相关内容可参见上述实施例，这里不再赘述。
89.本公开的实施例中，可将待合成文本的文本特征、音色特征和目标声学特征进行拼接，生成第二拼接特征，从而生成的第二拼接特征可同时具有待合成文本的文本特征、音色特征和目标声学特征，特征表示效果更好。
90.在一种实施方式中，将待合成文本的文本特征、音色特征和目标声学特征进行拼接，生成第二拼接特征，可包括将文本特征、音色特征和目标声学特征的和值作为第二拼接特征。
91.s308，基于第二拼接特征合成目标语音。
92.在一种实施方式中，基于第二拼接特征合成目标语音，可包括将第二拼接特征输入至语音合成算法，由语音合成算法输出待合成文本的目标语音。其中，语音合成算法可根据实际情况进行设置，这里不做过多限定。
93.综上，根据本公开实施例的语音合成方法，可基于待合成文本与目标模板文本之间的重合文本和差异文本，从第一声学特征中提取差异文本对应的目标第一声学特征，并从第二声学特征中提取重合文本对应的目标第二声学特征，将目标第一声学特征和目标第二声学特征进行拼接，生成目标声学特征，并将待合成文本的文本特征、音色特征和目标声学特征进行拼接，生成第二拼接特征，并基于第二拼接特征合成目标语音，使得目标语音具有目标用户的音色特征，有助于提高语音合成的个性化。
94.本公开的实施例中，还可获取预先训练的目标语音合成模型，可将待合成文本、目标模板音频和语音特征输入至目标语音合成模型，由目标语音合成模型输出待合成文本的目标语音。由此，该方法可通过目标语音合成模型自动实现语音合成，有助于提高语音合成效率。
95.可以理解的是，目标语音合成模型可根据实际情况进行设置，这里不做过多限定。例如，目标语音合成模型可为nns(neural networks，神经网络)模型。
96.如图4所示，目标语音合成模型400包括特征预测层401、第一特征提取层402、第二特征提取层403、特征拼接层404和语音合成层405。
97.由特征预测层401根据待合成文本和语音特征，获取预测的第一声学特征。
98.由第一特征提取层402提取目标模板音频的第二声学特征。
99.由第二特征提取层403提取待合成文本的文本特征。
100.由特征拼接层404将第一声学特征、第二声学特征进行拼接，生成目标声学特征，并将文本特征、语音特征中的音色特征和目标声学特征进行拼接，生成第二拼接特征。
101.由语音合成层405基于第二拼接特征合成目标语音。
102.在一种实施方式中，可获取训练样本，训练样本包括样本待合成文本、样本目标模板音频、样本目标用户的语音特征和样本目标语音。可以理解的是，训练样本可根据实际情况进行设置，这里不做过多限定。
103.基于训练样本对语音合成模型进行训练，响应于未满足模型训练结束条件，返回采用下一个训练样本继续对调整模型参数的语音合成模型进行训练，直至满足模型训练结束条件，则生成目标语音合成模型。其中，模型训练结束条件可根据实际情况进行设置，这里不做过多限定，例如可设置为模型训练次数达到预设次数阈值，模型精度达到预设精度阈值等。
104.图5为根据本公开第一实施例的语音合成装置的框图。
105.如图5所示，本公开实施例的语音合成装置500，包括：预测模块501、提取模块502、拼接模块503、合成模块504。
106.预测模块501，用于获取待合成文本以及获取目标用户的语音特征，并根据所述待合成文本和所述语音特征，获取预测的第一声学特征；
107.提取模块502，用于根据所述待合成文本，从模板音频库中获取目标模板音频，并提取所述目标模板音频的第二声学特征；
108.拼接模块503，用于将所述第一声学特征和所述第二声学特征进行拼接，生成目标声学特征；
109.合成模块504，用于基于所述目标声学特征和所述语音特征，对所述待合成文本进行语音合成，以生成所述待合成文本的目标语音。
110.在本公开的一个实施例中，所述拼接模块503，包括：第一获取单元，用于获取所述目标模板音频对应的目标模板文本；第二获取单元，用于获取所述待合成文本与所述目标模板文本之间的重合文本和差异文本；提取单元，用于从所述第一声学特征中提取所述差异文本对应的目标第一声学特征，并从所述第二声学特征中提取所述重合文本对应的目标第二声学特征；拼接单元，用于将所述目标第一声学特征和所述目标第二声学特征进行拼接，生成所述目标声学特征。
111.在本公开的一个实施例中，所述提取单元，还用于：获取所述差异文本在所述待合成文本中的第一开始位置和第一结束位置；从所述第一声学特征中提取所述第一开始位置至所述第一结束位置对应的声学特征，并将提取的所述声学特征作为所述目标第一声学特征；
112.所述提取单元，还用于：获取所述重合文本在所述目标模板文本中的第二开始位置和第二结束位置；从所述第二声学特征中提取所述第二开始位置至所述第二结束位置对应的声学特征，并将提取的所述声学特征作为所述目标第二声学特征。
113.在本公开的一个实施例中，所述预测模块501，还用于：获取所述目标用户的标识信息；根据所述标识信息，获取所述目标用户的语音特征。
114.在本公开的一个实施例中，所述语音特征包括风格特征和音色特征；所述预测模块501，还用于：根据所述待合成文本和所述风格特征，获取所述第一声学特征。
115.在本公开的一个实施例中，所述预测模块501，还用于：对所述待合成文本进行向量化处理，得到向量特征；对所述向量特征依次进行卷积处理和双向时间循环处理，得到所述待合成文本的文本特征；将所述文本特征和所述风格特征进行拼接，得到第一拼接特征；对所述第一拼接特征依次进行卷积处理、双向时间循环处理和线性处理，得到所述第一声学特征。
116.在本公开的一个实施例中，所述合成模块504，还用于：将所述待合成文本的文本
特征、所述音色特征和所述目标声学特征进行拼接，生成第二拼接特征；基于所述第二拼接特征合成所述目标语音。
117.在本公开的一个实施例中，所述装置还包括：输入模块，所述输入模块，用于：将所述待合成文本、所述目标模板音频和所述语音特征输入至目标语音合成模型，所述目标语音合成模型包括特征预测层、第一特征提取层、第二特征提取层、特征拼接层和语音合成层；
118.由所述特征预测层根据所述待合成文本和所述语音特征，获取所述第一声学特征；
119.由所述第一特征提取层提取所述目标模板音频的所述第二声学特征；
120.由所述第二特征提取层提取所述待合成文本的所述文本特征；
121.由所述特征拼接层将所述第一声学特征、所述第二声学特征进行拼接，生成所述目标声学特征，并将所述文本特征、所述音色特征和所述目标声学特征进行拼接，生成所述第二拼接特征；
122.由所述语音合成层基于所述第二拼接特征合成所述目标语音。
123.在本公开的一个实施例中，所述提取模块502，还用于：获取所述模板音频库中所述模板音频对应的模板文本；获取所述待合成文本与所述模板文本之间的相似度；将相似度最高的所述模板文本对应的所述模板音频作为所述目标模板音频。
124.在本公开的一个实施例中，所述声学特征包括基频特征、能量特征、时长特征中的至少一种。
125.综上，本公开实施例的语音合成装置，可根据待合成文本和语音特征，获取预测的第一声学特征，并提取目标模板音频的第二声学特征，将第一声学特征和第二声学特征进行拼接，生成目标声学特征，并基于目标声学特征和语音特征，对待合成文本进行语音合成，以生成待合成文本的目标语音。由此，目标声学特征可同时具有待合成文本的第一声学特征和目标模板音频的第二声学特征，特征表示效果更好，有助于提高目标语音的真实度和自然度，语音合成效果更好。
126.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
127.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
128.图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
129.如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。
130.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
131.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如语音合成方法。例如，在一些实施例中，语音合成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的语音合成方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音合成方法。
132.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
133.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
134.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。
135.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来
将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
136.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
137.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
138.根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述实施例所述的语音合成方法的步骤。
139.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
140.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。