语音合成方法、装置、计算机可读介质及电子设备与流程

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


背景技术：

2.在语言学中，韵律指的是讲话的过程中非独立音段(元音和辅音)的成分，即音节或更大单位的性质。这些性质形成语调、声调、重读和节奏等语言功能。韵律可以反映出说话者或话语的多种特征：说话者的感情状态、话语的形式(陈述、疑问还是命令)、是否存在强调、对比、焦点，以及其他无法由语法和词汇表达来表征的语言元素，相同韵律事件的表现形式不同可传达丰富的语义及其情感变化。在语音合成等任务中，如何结合文本的韵律特征使得合成的音频更加自然顺畅，成为研究的重点。


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，包括：
5.获取待合成文本对应的音素序列；
6.根据所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息；
7.根据所述声学特征信息，生成所述待合成文本对应的第一音频信息。
8.第二方面，本公开提供一种语音合成装置，包括：
9.获取模块，用于获取待合成文本对应的音素序列；
10.第一生成模块，用于根据所述获取模块获取到的所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息；
11.第二生成模块，用于根据所述第一生成模块生成的所述声学特征信息，生成所述待合成文本对应的第一音频信息。
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提供的所述方法的步骤。
13.第四方面，本公开提供一种电子设备，包括：
14.存储装置，其上存储有一个或多个计算机程序；
15.一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现本公开第一方面提供的所述方法的步骤。
16.在上述技术方案中，在获取到待合成文本对应的音素序列后，根据该音素序列和
待合成文本，生成待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据tobi表征序列和韵律声学特征，生成待合成文本对应的声学特征信息；最后，根据声学特征信息，生成待合成文本对应的第一音频信息。在语音合成时，同时参考了待合成文本对应的tobi表征序列和韵律声学特征，即不但参考了待合成文本语言层次的韵律特征，还参考了待合成文本声学层次的韵律特征，考虑到了韵律在不同维度上的表现。其中，根据tobi表征序列能够赋予不同语句合适的节奏、强调和语调特性，同时对应的韵律声学特征可显式体现对应韵律事件的具体声学体现，从而在提升合成音频的韵律自然度的同时控制音频的强度(即幅度)，比如在多个重读位置可分配不同的强度来实现语义表达的强调重点不同，或通过强度调节实现疑问句的语调变化从而传达不同的语义(情感)。由此，能够在相同的韵律语言表现下，使得不同的韵律声学特征体现不同的语义变化，进而使得合成音频更加自然，更具有抑扬顿挫的听感，更符合说话者所表达的语意。
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是根据一示例性实施例示出的一种语音合成方法的流程图。
20.图2是根据一示例性实施例示出的一种语音合成模型的结构示意图。
21.图3是根据一示例性实施例示出的一种韵律语言特征预测模块的结构示意图。
22.图4是根据一示例性实施例示出的一种语音合成模型的训练方法的流程图。
23.图5是根据另一示例性实施例示出的一种语音合成方法的流程图。
24.图6是根据一示例性实施例示出的一种语音合成装置的框图。
25.图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
26.正如背景技术中论述的那样，在语音合成等任务中，如何结合文本的韵律特征使得合成的音频更加自然顺畅，成为研究的重点。为了提升合成音频的自然度，现阶段的语音合成方法主要通过使用语言层次的韵律特征，即人工标注的tobi(tones and break indices)数据来实现合成音频的韵律控制，以提升语音合成的自然度，但合成音频的强度不可控。
27.鉴于此，本公开提供一种语音合成方法、装置、计算机可读介质及电子设备。
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.图1是根据一示例性实施例示出的一种语音合成方法的流程图。如图1所示，该方法包括s101～s103。
35.在s101中，获取待合成文本对应的音素序列。
36.在本公开中，上述待合成文本可以为中文、英文、日语等语种文本。另外，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。
37.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。
38.在s102中，根据音素序列和待合成文本，生成待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据tobi表征序列和韵律声学特征，生成待合成文本对应的声学特征信息。
39.在本公开中，tobi表征序列用于体现待合成文本语言层次的韵律特征，即韵律语言特征，其是指在原始语言学上tobi体系所定义的韵律语言现象，属于离散特征，具体可以包括声调、语调、音高重音以及韵律边界。
40.其中，声调是指声音的高低升降的变化。示例地，中文中有四个声调：阴平、阳平、上声和去声，英文包括重读、次重读和轻读，日文包括重读和轻读。
41.语调(intonation)，即说话的腔调，就是一句话里快慢轻重的配置和变化。一句话除了词汇意义(lexical meaning)还有语调意义(intonation meaning)。语调意义就是说话人用语调所表示的态度或口气。一句话的词汇意义加上语调意义才算是完全的意义。同样的句子，语调不同，意思就会不同，有时甚至会相差千里。
42.音高重音(pitch accent)，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待合成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。
43.具体来说，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；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；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；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；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。
44.韵律边界用于指示在待合成文本时应该在哪些地方进行停顿。示例地，韵律边界分为“#1”、“#2”、“#3”和“#4”四个停顿等级，其停顿程度依次增大。其中，英文和日文没有明显的韵律层级，因此该处置为空。
45.而韵律声学特征(即声学层次的韵律特征)则是在广泛定义表示语音声学特性的衡量物理量，如音色、共振峰、基频或者共振峰强度等。其中，与语言学上tobi体系所定义的韵律事件联系更为紧密的声学特征：时长、基频、能量，例如韵律语言特征“句调”的高升调可具体表现为一个语音片段中对应基频持续爬升到一个句子中的基频高点。因此，本公开中的韵律声学特征包括待合成文本对应的音素级别的基频、能量以及发音时长中的至少一者，其是连续性特征。
46.声学特征信息可以例如是梅尔频谱、谱包络等。
47.在s103中，根据声学特征信息，生成待合成文本对应的第一音频信息。
48.在本公开中，可以通过将声学特征信息输入至声码器中，以得到待合成文本对应的第一音频信息，其中，声码器可以例如是wavenet声码器、griffin-lim声码器等。
49.在上述技术方案中，在获取到待合成文本对应的音素序列后，根据该音素序列和待合成文本，生成待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据tobi表征序列和韵律声学特征，生成待合成文本对应的声学特征信息；最后，根据声学特征信息，生成待合成文本对应的第一音频信息。在语音合成时，同时参考了待合成文本对应的tobi表征序列和韵律声学特征，即不但参考了待合成文本语言层次的韵律特征，还参考了待合成文本声学层次的韵律特征，考虑到了韵律在不同维度上的表现。其中，根据tobi表征序列能够赋予不同语句合适的节奏、强调和语调特性，同时对应的韵律声学特征可显式体现对应韵律事件的具体声学体现，从而在提升合成音频的韵律自然度的同时控制音频的强度(即幅度)，比如在多个重读位置可分配不同的强度来实现语义表达的强调重点不同，或通过强度调节实现疑问句的语调变化从而传达不同的语义(情感)。由此，能够在相同的韵律语言表现下，使得不同的韵律声学特征体现不同的语义变化，进而使得合成音频更加自然，更具有抑扬顿挫的听感，更符合说话者所表达的语意。
50.下面针对上述s102中的根据音素序列和待合成文本，生成待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据tobi表征序列和韵律声学特征，生成待合成文本对应的声学特征信息的具体实施方式进行详细说明。
51.具体来说，可以将音素序列和待合成文本输入到预先训练好的语音合成模型中，以通过语音合成模型根据音素序列和待合成文本，生成待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据tobi表征序列和韵律声学特征，生成待合成文本对应的声学特征信息。
52.如图2所示，上述语音合成模型包括编码网络、注意力网络、解码网络、韵律语言特征预测模块、韵律声学特征预测模块、嵌入层、第一拼接模块、第二拼接模块以及第三拼接模块，其中，韵律语言特征预测模块、第一拼接模块、编码网络、第二拼接模块、韵律声学特征预测模块、第三拼接模块、注意力网络、解码网络依次连接，并且，第一拼接模块还与嵌入层连接，第二拼接模块还与韵律语言特征预测模块连接，第三拼接模块还与编码网络连接。
53.具体来说，韵律语言特征预测模块，用于根据待合成文本，生成待合成文本对应的音素级别的tobi表征序列。
54.嵌入层，用于根据音素序列，生成待合成文本对应的音素表征序列，其中，音素表征序列由待合成文本中各音素对应的词向量按照相应音素在待合成文本中的先后顺序排序而成，可以根据预先建立的音素与词向量的对应关系来确定该合成文本中各音素对应的词向量。
55.第一拼接模块，用于将音素级别的tobi表征序列与音素表征序列进行拼接，得到第一拼接序列。
56.编码网络，用于对第一拼接序列进行编码，生成编码序列。
57.第二拼接模块，用于将编码序列与音素级别的tobi表征序列进行拼接，得到第二拼接序列。
58.韵律声学特征预测模块，用于根据第二拼接序列，生成待合成文本对应的韵律声学特征。
59.示例地，韵律声学特征预测模块可以为卷积层 双向lstm层 全连接层构成的浅层网络。
60.第三拼接模块，用于将编码序列和韵律声学特征进行拼接，得到第三拼接序列；
61.注意力网络，用于根据第三拼接序列，生成待合成文本对应的语义表征。示例地，注意力网络可以为位置敏感注意力(locative sensitive attention)，也可以为基于高斯混合模型(gaussian mixture model，gmm)的注意力网络)，即gmm attention。
62.解码网络，用于根据语义表征，生成待合成文本对应的声学特征信息。
63.如图3所示，上述韵律语言特征预测模块包括依次连接的第一子嵌入层、韵律语言特征预测网络、第二子嵌入层以及扩展层。
64.具体来说，第一子嵌入层，用于提取待合成文本对应的词级别的深层表征，示例地，第一子嵌入层可以为基于蒸馏学习的tinybert模型。
65.韵律语言特征预测网络，用于根据深层表征，生成词级别的tobi标签。其中，tobi标签可以包括声调、语调、音高重音和韵律边界。
66.示例地，韵律语言特征预测网络可以为卷积层 双向lstm层 全连接层构成的浅层网络。
67.第二子嵌入层，用于根据tobi标签，生成待合成文本对应的词级别的tobi表征序列。
68.扩展层，用于对词级别的tobi表征序列进行扩展，得到待合成文本对应的音素级别的tobi表征序列。
69.具体来说，可以针对待合成文本中的每一词，将该词对应的词级别的tobi表征复制l-1次，得到该词对应的音素级别的tobi表征，其中，l为该词包含的音素数量。
70.示例地，待合成文本包括依次连接的词a和词b，其中，词a包括三个音素，词b包括4个音素，词a对应的词级别的tobi表征为m，词b对应的词级别的tobi表征为n，则词a对应的音素级别的tobi表征为mmm，词b对应的tobi表征为nnnn，待合成文本对应的音素级别的tobi表征序列为mmmnnnn。
71.另外，上述语音合成模型可以通过图4中所示的s401～s403来训练得到。
72.在s401中，获取训练文本。
73.在s402中，确定训练文本对应的训练音素序列、词级别的训练tobi标签、训练韵律声学特征以及训练声学特征信息。
74.在本公开中，训练文本可以是从真实存在的语音中提取出的文本，标注人员可以首先通过听训练文本对应的语音的方式来标注训练文本对应的词级别的tobi(即词级别的训练tobi标签)。
75.可以通过与上述s101中获取待合成文本对应的音素序列相同的方式来获取训练文本对应的训练音素序列。
76.另外，可以通过以下方式来确定训练文本对应的训练韵律声学特征：可以基于开源工具(如librosa或straight等)等从训练文本对应的真实语音中提取帧级别的基频与能量特征，然后，可以针对训练文本中的每一音素，将该音素对应的多个帧的基频的平均值作为该音素的基频，将该音素对应的多个帧的能量的平均值作为该音素的能量，即得到音素级别的基频和音素级别的能量；同时，基于强制对齐工具获取训练文本中各音素的发音时长。
77.此外，可以通过将训练文本输入至语音合成模型(例如，tacotron模型、deepvoice 3模型、tacotron 2模型、wavenet模型等)中，得到训练文本对应的训练声学特征信息，例如，梅尔频谱特征信息。
78.在s403中，通过将训练文本作为第一子嵌入层的输入，将第一子嵌入层的输出作为韵律语言特征预测网络的输入，将词级别的训练tobi标签作为韵律语言特征预测网络的目标输出，将韵律语言特征预测网络的输出作为第二子嵌入层的输入，将第二子嵌入层的输出作为扩展层的输入，将训练音素序列作为嵌入层的输入，将扩展层的输出和嵌入层的输出作为第一拼接模块的输入，将第一拼接模块的输出作为编码网络的输入，将编码网络的输出和扩展层的输出作为第二拼接模块的输入，将第二拼接模块的输出作为韵律声学特征预测模块的输入，将训练韵律声学特征作为韵律声学特征预测模块的目标输出，将韵律声学特征预测模块的输出和编码网络的输出作为第三拼接模块的输入，将第三拼接模块的输出作为注意力网络的输入，将注意力网络的输出作为解码网络的输入，将训练声学特征信息作为解码网络的目标输出的方式进行模型训练，以得到语音合成模型。
79.在本公开中，语音合成模型训练时的损失函数为声学特征信息损失和韵律特征损失之和。其中，声学特征信息损失是解码网络预测的声学特征信息与训练声学特征信息之间的均方差；韵律特征损失包括韵律语言特征的预测损失和韵律声学特征的预测损失，其中，韵律语言特征预测损失是韵律语言特征预测网络预测的词级别的tobi与词级别的训练tobi标签之间的交叉熵损失；韵律声学特征的预测损失是韵律声学特征预测模块预测的声学特征信息与训练韵律声学特征之间的均方差。
80.另外，为了提升用户体验，在上述步骤103获得与待合成文本对应的第一音频信息后，还可以为该第一音频信息添加背景音乐，这样，用户根据背景音乐和第一音频信息，更容易理解相应的文本内容。具体来说，如图5所示，上述方法还可以包括以下s104。
81.在s104中，将第一音频信息与目标背景音乐进行合成，得到第二音频信息。
82.在一种实施方式中，上述目标背景音乐可以为预设音乐，即可以是用户设定的任一音乐，也可以是默认的音乐。
83.在另一种实施方式中，在将第一音频信息与目标背景音乐进行合成之前，可以先根据待合成文本的文本信息，确定该待合成文本对应的使用场景信息，其中，该使用场景信息包括但不限于新闻播报、军武介绍、童话故事、校园广播等；然后，根据该使用场景信息，确定与该使用场景信息相匹配的目标背景音乐。
84.在本公开中，上述文本信息可以为关键词，此时，可以通过对待合成文本进行关键字自动识别，以根据关键词智能地预判该待合成文本的使用场景信息。
85.在确定出待合成文本对应的使用场景信息后，可以根据该使用场景信息，利用预先存储的使用场景信息与背景音乐的对应关系，确定与该使用场景信息匹配的目标背景音乐。例如，使用场景信息为军武介绍，其对应的背景音乐可以为激昂的音乐；使用场景信息为童话故事，则其对应的背景音乐可以为轻快活泼的音乐。
86.图6是根据一示例性实施例示出的一种语音合成装置的框图。如图6所示，该装置600包括：
87.获取模块601，用于获取待合成文本对应的音素序列；
88.第一生成模块602，用于根据所述获取模块601获取到的所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息；
89.第二生成模块603，用于根据所述第一生成模块602生成的所述声学特征信息，生成所述待合成文本对应的第一音频信息。
90.在上述技术方案中，在获取到待合成文本对应的音素序列后，根据该音素序列和待合成文本，生成待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据tobi表征序列和韵律声学特征，生成待合成文本对应的声学特征信息；最后，根据声学特征信息，生成待合成文本对应的第一音频信息。在语音合成时，同时参考了待合成文本对应的tobi表征序列和韵律声学特征，即不但参考了待合成文本语言层次的韵律特征，还参考了待合成文本声学层次的韵律特征，考虑到了韵律在不同维度上的表现。其中，根据tobi表征序列能够赋予不同语句合适的节奏、强调和语调特性，同时对应的韵律声学特征可显式体现对应韵律事件的具体声学体现，从而在提升合成音频的韵律自然度的同时控制音频的强度(即幅度)，比如在多个重读位置可分配不同的强度来实现语义表达的强调重点不同，或通过强度调节实现疑问句的语调变化从而传达不同的语义(情感)。由此，能够在相同的韵律语言表现下，使得不同的韵律声学特征体现不同的语义变化，进而使得合成音频更加自然，更具有抑扬顿挫的听感，更符合说话者所表达的语意。
91.可选地，所述第一生成模块602用于将所述音素序列和所述待合成文本输入到预先训练好的语音合成模型中，以通过所述语音合成模型根据所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息。
92.可选地，所述语音合成模型包括编码网络、注意力网络、解码网络、韵律语言特征预测模块、韵律声学特征预测模块、嵌入层、第一拼接模块、第二拼接模块以及第三拼接模块；
93.其中，所述韵律语言特征预测模块，用于根据所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列；
94.所述嵌入层，用于根据所述音素序列，生成所述待合成文本对应的音素表征序列；
95.所述第一拼接模块，用于将所述音素级别的tobi表征序列与所述音素表征序列进行拼接，得到第一拼接序列；
96.所述编码网络，用于对所述第一拼接序列进行编码，生成编码序列；
97.所述第二拼接模块，用于将所述编码序列与所述音素级别的tobi表征序列进行拼接，得到第二拼接序列；
98.所述韵律声学特征预测模块，用于根据所述第二拼接序列，生成所述待合成文本对应的韵律声学特征；
99.所述第三拼接模块，用于将所述编码序列和所述韵律声学特征进行拼接，得到第三拼接序列；
100.所述注意力网络，用于根据所述第三拼接序列，生成所述待合成文本对应的语义表征；
101.所述解码网络，用于根据所述语义表征，生成所述待合成文本对应的声学特征信息。
102.可选地，所述韵律语言特征预测模块包括依次连接的第一子嵌入层、韵律语言特征预测网络、第二子嵌入层以及扩展层；
103.其中，所述第一子嵌入层，用于提取所述待合成文本对应的词级别的深层表征；
104.所述韵律语言特征预测网络，用于根据所述深层表征，生成词级别的tobi标签；
105.所述第二子嵌入层，用于根据所述tobi标签，生成所述待合成文本对应的词级别的tobi表征序列；
106.所述扩展层，用于对所述词级别的tobi表征序列进行扩展，得到所述待合成文本对应的音素级别的tobi表征序列。
107.可选地，所述语音合成模型通过模型训练装置训练得到，其中，该模型训练装置包括：
108.训练文本获取模块，用于获取训练文本；
109.确定模块，用于确定所述训练文本对应的训练音素序列、词级别的训练tobi标签、训练韵律声学特征以及训练声学特征信息；
110.训练模块，用于通过将所述训练文本作为所述第一子嵌入层的输入，将所述第一子嵌入层的输出作为所述韵律语言特征预测网络的输入，将所述词级别的训练tobi标签作为所述韵律语言特征预测网络的目标输出，将所述韵律语言特征预测网络的输出作为所述第二子嵌入层的输入，将所述第二子嵌入层的输出作为所述扩展层的输入，将所述训练音素序列作为所述嵌入层的输入，将所述扩展层的输出和所述嵌入层的输出作为所述第一拼接模块的输入，将所述第一拼接模块的输出作为所述编码网络的输入，将所述编码网络的输出和所述扩展层的输出作为所述第二拼接模块的输入，将所述第二拼接模块的输出作为所述韵律声学特征预测模块的输入，将所述训练韵律声学特征作为所述韵律声学特征预测模块的目标输出，将所述韵律声学特征预测模块的输出和所述编码网络的输出作为所述第三拼接模块的输入，将所述第三拼接模块的输出作为所述注意力网络的输入，将所述注意力网络的输出作为所述解码网络的输入，将所述训练声学特征信息作为所述解码网络的目标输出的方式进行模型训练，以得到所述语音合成模型。
111.可选地，所述韵律声学特征包括所述待合成文本对应的音素级别的基频、能量以及发音时长中的至少一者。
112.可选地，所述装置600还包括：
113.合成模块，用于将所述第一音频信息与目标背景音乐进行合成，得到第二音频信息。
114.需要说明的是，上述模型训练装置可以集成于上述语音合成装置600中，也可以独立于上述语音合成装置600，本公开不作具体限定。
115.本公开还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提供的上述语音合成方法的步骤。
116.下面参考图7，其示出了适于用来实现本公开实施例的电子设备(终端设备或服务器)700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7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。
117.如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
118.通常，以下装置可以连接至i/o接口705：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706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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。
119.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709从网络上被下载和安装，或者从存储装置708被安装，或者从rom 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
120.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。
121.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。
122.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。
123.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：获取待合成文本对应的音素序列；根据所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息；根据所述声学特征信息，生成所述待合成文本对应的第一音频信息。
124.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)。
125.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。
126.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，获
取模块还可以被描述为“获取待合成文本对应的音素序列的模块”。
127.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。
128.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。
129.根据本公开的一个或多个实施例，示例1提供了一种语音合成方法，包括：获取待合成文本对应的音素序列；根据所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息；根据所述声学特征信息，生成所述待合成文本对应的第一音频信息。
130.根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息，包括：将所述音素序列和所述待合成文本输入到预先训练好的语音合成模型中，以通过所述语音合成模型根据所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息。
131.根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述语音合成模型包括编码网络、注意力网络、解码网络、韵律语言特征预测模块、韵律声学特征预测模块、嵌入层、第一拼接模块、第二拼接模块以及第三拼接模块；其中，所述韵律语言特征预测模块，用于根据所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列；所述嵌入层，用于根据所述音素序列，生成所述待合成文本对应的音素表征序列；所述第一拼接模块，用于将所述音素级别的tobi表征序列与所述音素表征序列进行拼接，得到第一拼接序列；所述编码网络，用于对所述第一拼接序列进行编码，生成编码序列；所述第二拼接模块，用于将所述编码序列与所述音素级别的tobi表征序列进行拼接，得到第二拼接序列；所述韵律声学特征预测模块，用于根据所述第二拼接序列，生成所述待合成文本对应的韵律声学特征；所述第三拼接模块，用于将所述编码序列和所述韵律声学特征进行拼接，得到第三拼接序列；所述注意力网络，用于根据所述第三拼接序列，生成所述待合成文本对应的语义表征；所述解码网络，用于根据所述语义表征，生成所述待合成文本对应的声学特征信息。
132.根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述韵律语言特征预测模块包括依次连接的第一子嵌入层、韵律语言特征预测网络、第二子嵌入层以及扩展
层；其中，所述第一子嵌入层，用于提取所述待合成文本对应的词级别的深层表征；所述韵律语言特征预测网络，用于根据所述深层表征，生成词级别的tobi标签；所述第二子嵌入层，用于根据所述tobi标签，生成所述待合成文本对应的词级别的tobi表征序列；所述扩展层，用于对所述词级别的tobi表征序列进行扩展，得到所述待合成文本对应的音素级别的tobi表征序列。
133.根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述语音合成模型通过如下方式训练得到：获取训练文本；确定所述训练文本对应的训练音素序列、词级别的训练tobi标签、训练韵律声学特征以及训练声学特征信息；通过将所述训练文本作为所述第一子嵌入层的输入，将所述第一子嵌入层的输出作为所述韵律语言特征预测网络的输入，将所述词级别的训练tobi标签作为所述韵律语言特征预测网络的目标输出，将所述韵律语言特征预测网络的输出作为所述第二子嵌入层的输入，将所述第二子嵌入层的输出作为所述扩展层的输入，将所述训练音素序列作为所述嵌入层的输入，将所述扩展层的输出和所述嵌入层的输出作为所述第一拼接模块的输入，将所述第一拼接模块的输出作为所述编码网络的输入，将所述编码网络的输出和所述扩展层的输出作为所述第二拼接模块的输入，将所述第二拼接模块的输出作为所述韵律声学特征预测模块的输入，将所述训练韵律声学特征作为所述韵律声学特征预测模块的目标输出，将所述韵律声学特征预测模块的输出和所述编码网络的输出作为所述第三拼接模块的输入，将所述第三拼接模块的输出作为所述注意力网络的输入，将所述注意力网络的输出作为所述解码网络的输入，将所述训练声学特征信息作为所述解码网络的目标输出的方式进行模型训练，以得到所述语音合成模型。
134.根据本公开的一个或多个实施例，示例6提供了示例1-5中任一项的方法，所述韵律声学特征包括所述待合成文本对应的音素级别的基频、能量以及发音时长中的至少一者。
135.根据本公开的一个或多个实施例，示例7提供了示例1-5中任一项的方法，所述方法还包括：将所述第一音频信息与目标背景音乐进行合成，得到第二音频信息。
136.根据本公开的一个或多个实施例，示例8提供了一种语音合成装置，包括：获取模块，用于获取待合成文本对应的音素序列；第一生成模块，用于根据所述获取模块获取到的所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息；第二生成模块，用于根据所述第一生成模块生成的所述声学特征信息，生成所述待合成文本对应的第一音频信息。
137.根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述第一生成模块用于将所述音素序列和所述待合成文本输入到预先训练好的语音合成模型中，以通过所述语音合成模型根据所述音素序列和所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列和韵律声学特征，并根据所述tobi表征序列和所述韵律声学特征，生成所述待合成文本对应的声学特征信息。
138.根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述语音合成模型包括编码网络、注意力网络、解码网络、韵律语言特征预测模块、韵律声学特征预测模块、嵌入层、第一拼接模块、第二拼接模块以及第三拼接模块；其中，所述韵律语言特征预测模块，
用于根据所述待合成文本，生成所述待合成文本对应的音素级别的tobi表征序列；所述嵌入层，用于根据所述音素序列，生成所述待合成文本对应的音素表征序列；所述第一拼接模块，用于将所述音素级别的tobi表征序列与所述音素表征序列进行拼接，得到第一拼接序列；所述编码网络，用于对所述第一拼接序列进行编码，生成编码序列；所述第二拼接模块，用于将所述编码序列与所述音素级别的tobi表征序列进行拼接，得到第二拼接序列；所述韵律声学特征预测模块，用于根据所述第二拼接序列，生成所述待合成文本对应的韵律声学特征；所述第三拼接模块，用于将所述编码序列和所述韵律声学特征进行拼接，得到第三拼接序列；所述注意力网络，用于根据所述第三拼接序列，生成所述待合成文本对应的语义表征；所述解码网络，用于根据所述语义表征，生成所述待合成文本对应的声学特征信息。
139.根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述韵律语言特征预测模块包括依次连接的第一子嵌入层、韵律语言特征预测网络、第二子嵌入层以及扩展层；其中，所述第一子嵌入层，用于提取所述待合成文本对应的词级别的深层表征；所述韵律语言特征预测网络，用于根据所述深层表征，生成词级别的tobi标签；所述第二子嵌入层，用于根据所述tobi标签，生成所述待合成文本对应的词级别的tobi表征序列；所述扩展层，用于对所述词级别的tobi表征序列进行扩展，得到所述待合成文本对应的音素级别的tobi表征序列。
140.根据本公开的一个或多个实施例，示例12提供了示例11的装置，所述语音合成模型通过模型训练装置训练得到，其中，该模型训练装置包括：训练文本获取模块，用于获取训练文本；确定模块，用于确定所述训练文本对应的训练音素序列、词级别的训练tobi标签、训练韵律声学特征以及训练声学特征信息；训练模块，用于通过将所述训练文本作为所述第一子嵌入层的输入，将所述第一子嵌入层的输出作为所述韵律语言特征预测网络的输入，将所述词级别的训练tobi标签作为所述韵律语言特征预测网络的目标输出，将所述韵律语言特征预测网络的输出作为所述第二子嵌入层的输入，将所述第二子嵌入层的输出作为所述扩展层的输入，将所述训练音素序列作为所述嵌入层的输入，将所述扩展层的输出和所述嵌入层的输出作为所述第一拼接模块的输入，将所述第一拼接模块的输出作为所述编码网络的输入，将所述编码网络的输出和所述扩展层的输出作为所述第二拼接模块的输入，将所述第二拼接模块的输出作为所述韵律声学特征预测模块的输入，将所述训练韵律声学特征作为所述韵律声学特征预测模块的目标输出，将所述韵律声学特征预测模块的输出和所述编码网络的输出作为所述第三拼接模块的输入，将所述第三拼接模块的输出作为所述注意力网络的输入，将所述注意力网络的输出作为所述解码网络的输入，将所述训练声学特征信息作为所述解码网络的目标输出的方式进行模型训练，以得到所述语音合成模型。
141.根据本公开的一个或多个实施例，示例13提供了示例8-12中任一的装置，所述韵律声学特征包括所述待合成文本对应的音素级别的基频、能量以及发音时长中的至少一者。
142.根据本公开的一个或多个实施例，示例14提供了示例8-12中任一的装置，所述装置还包括：合成模块，用于将所述第一音频信息与目标背景音乐进行合成，得到第二音频信息。
143.根据本公开的一个或多个实施例，示例15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示例1-7中任一项所述方法的步骤。
144.根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：存储装置，其上存储有一个或多个计算机程序；一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现示例1-7中任一项所述方法的步骤。
145.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。
146.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。
147.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。