语音合成方法、装置、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、介质及电子设备。


背景技术：

2.当前的离线语音合成技术效果受到设备端性能以及语音合成方法落后等的限制，mos(mean opinion score，主观评分)相对比较低，效果不佳。随着智能终端的日益普及，比如智能手机和智能手表，人们对高质量的离线语音合成技术需求日益强烈，如何在设备上实现效果更好的离线语音合成的问题亟待解决。


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：获取待合成文本对应的文本特征；将所述文本特征输入预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音；其中，所述语音合成模型通过将所述文本特征直接转换为所述目标语音对应的语音波形点来合成所述目标语音。
5.第二方面，本公开还提供一种语音合成装置，所述装置包括：获取模块，用于获取待合成文本对应的文本特征；语音合成模块，用于将所述文本特征输入预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音；其中，所述语音合成模型通过将所述文本特征直接转换为所述目标语音对应的语音波形点来合成所述目标语音。
6.第三方面，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第一方面中所述方法的步骤。
7.第四方面，本公开还提供一种电子设备，包括：存储装置，其上存储有至少一个计算机程序；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，以实现第一方面中所述方法的步骤。
8.通过上述技术方案，预先训练得到的语音合成模型能够根据待合成文本的文本特征直接预测得到对应的语音波形点作为待合成文本对应的目标语音，无需进行任何中间特征的预测，从而不仅缩小了语音合成模型的大小，使其更加便于部署在各种终端中离线使用，而且由于没有中间特征，能够减少在模型中间层的信息损失，减少了合成的目标语音与文本特征之间的信息差，从而也能在一定程度上提高模型的语音合成效果，进一步提高了用户对于离线语音合成的使用体验。
9.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
10.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：
11.图1是根据本公开一示例性实施例示出的一种语音合成方法的流程图。
12.图2是根据本公开又一示例性实施例示出的一种语音合成方法的流程图。
13.图3是根据本公开又一示例性实施例示出的一种语音合成方法的流程图。
14.图4是根据本公开一示例性实施例示出的一种语音合成装置的结构框图。
15.图5是根据本公开又一示例性实施例示出的一种语音合成装置的结构框图。
16.图6是根据本公开一示例性实施例示出的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
17.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。
18.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。
19.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。
20.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。
21.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”。
22.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。
23.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。
24.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。
25.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。
26.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。
27.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。
28.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。
29.图1是根据本公开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，所述方法包括步骤101和步骤102。
30.在步骤101中，获取待合成文本对应的文本特征。
31.在步骤102中，将所述文本特征输入预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音；其中，所述语音合成模型通过将所述文本特征直接转换为所述目标语音对应的语音波形点来合成所述目标语音。
32.该待合成文本可以是通过任意方式确定得到，例如，可以是用户主动输入，也可以是在多个预先设置的可选项中选择得到的选项所对应的文本，或者，还可以是图片中的识别得到的文本等，本技术中不对该待合成文本的内容进行任何限定，只要是有语音合成需求的文本都可以作为该待合成文本。
33.获取该待合成文本中的文本特征的方法可以是：根据预先训练得到的文本特征提取模型，提取所述待合成文本对应的文本特征。该文本特征提取模型可以是通过常规的训练方法所训练得到，本公开中不对此进行过多限定。从该待合成文本中获取得到的文本特征可以是与待合成文本的发音、韵律等相关的语音学特征等。
34.在本实施例中，该语音合成模型中具体的模型构成可以不进行限定，只要能够满足能够根据该待合成文本对应的文本特征直接合成得到语音波形点即可。该语音波形点也即为目标语音对应的能够被直接播放的语音信号。
35.也即，本实施例中的语音合成模型无需进行任何中间特征的预测，例如先预测该文本特征对应的声学特征(例如梅尔频谱)，然后再通过该声学特征合成得到目标语音，而是可以直接根据文本特征预测语音波形点，该语音合成模型所表征的是该文本特征与语音波形点之间的对应关系。相比于先预测声学特征，然后再进行语音合成的方案，本技术能够提高语音合成效率并大大缩减模型体积，由此对于部署终端的要求更低，更加有利于部署在各种终端中离线使用。
36.另外，相比于离线语音合成技术中传统的参数语音合成方法，本实施例中的语音合成模型也无需通过根据文本特征分别预测声学特征中的基频(f0)、相位谱等语音参数，而是直接预测与该文本特征对应的语音波形点，因此其语音合成效果要大大好于传统的参数语音合成方法。
37.通过上述技术方案，预先训练得到的语音合成模型能够根据待合成文本的文本特征直接预测得到对应的语音波形点作为待合成文本对应的目标语音，无需进行任何中间特征的预测，从而不仅缩小了语音合成模型的大小，使其更加便于部署在各种终端中离线使用，而且由于没有中间特征，能够减少在模型中间层的信息损失，减少了合成的目标语音与
文本特征之间的信息差，从而也能在一定程度上提高模型的语音合成效果，进一步提高了用户对于离线语音合成的使用体验。
38.图2是根据本公开又一示例性实施例示出的一种语音合成方法的流程图。如图2所示，所述方法还包括步骤201。
39.在步骤201中，根据声学模型和声码器联合建模以得到所述语音合成模型，所述声学模型为根据文本特征生成声学特征的模型，所述声码器为根据声学特征生成语音波形点的模块。
40.也即，在获取所述待合成文本对应的文本特征之前，可以通过如步骤201中所示的方法来进行该语音合成模型的构建。该声学模型所生成的声学特征可以是例如前述的梅尔频谱，该声码器可以是神经网络声码器，例如wavenet声码器等等任意能够根据声学特征而生成语音波形点的声码器。通过将该声学模型和声码器联合建模，便能够同时利用声学特征中将文本特征转换为声学特征的部分网络结构，和神经网络声码器中通过声学特征生成语音波形点的部分网络结构，实现对该语音合成模型的构建，进而实现根据文本特征直接生成语音波形点的目的。
41.值得注意的是，本技术中并不限定如步骤201中所示的方法来进行该语音合成模型的构建，步骤201中仅示例出了一种可行的模型构建方法，本领域技术人员能够通过任意方式来实现该模型的构建，只要能够实现通过该语音合成模型根据文本特征直接预测得到待合成的语音波形点即可。
42.并且，由于该语音合成模型是预先训练得到的，因此如图2中步骤201中所示的模型构建方法可以是由与图1中所示方法的执行主体不同的其他执行主体来执行。例如，图1中所示步骤101和步骤102可以是通过用户终端来执行，以满足用户在终端中进行离线语音合成的需求，而图2中所示步骤201可以是通过服务器预先执行。
43.在一种可能的实施方式中，本技术还包括图2中未示出的以下模型训练步骤：根据声学模型和声码器联合建模以得到初始神经网络模型，并确定训练模型，其中，所述训练模型与所述初始神经网络模型中的部分网络结构构成完整的声学模型；获取训练样本，所述训练样本包括与训练文本对应的文本特征、与所述训练文本对应的声学特征、与所述训练文本对应的语音波形点；通过多任务训练的方式对所述初始神经网络模型进行训练，所述多任务训练包括第一任务和第二任务，所述第一任务包括：将与所述训练文本对应的文本特征作为所述初始神经网络模型的输入，将与所述训练文本对应的语音波形点作为所述初始神经网络模型的期望输出；所述第二任务包括：获取所述初始神经网络模型的中间层特征作为所述训练模型的输入，将与所述训练文本对应的声学特征作为所述训练模型的输出；根据训练后的所述初始神经网络模型确定所述语音合成模型。
44.上述初始神经网络模型可以包括各种包含隐藏层的人工神经网络(artificial neural network，ann)。在该初始神经网络模型是通过该声学模型和声码器联合建模以得到时，该初始神经网络模型中必然包括一部分原属于声学模型的网络结构，由此，通过将该初始神经网络模型中原属于声学模型的部分网络结构与该训练模型构成完整的声学模型，并将组合得到的声学模型与该初始神经网络模型联合进行多任务训练，从而实现模型参数的共享，便可以通过该声学模型进一步提高该初始神经网络模型的训练效果。
45.训练过程中所需的训练样本可以通过各种方式获取。具体地，训练样本可以包括
与训练文本对应的文本特征、与所述训练文本对应的声学特征、与所述训练文本对应的语音波形点。其中，训练样本中标注的与训练文本对应的文本特征、与所述训练文本对应的声学特征、与所述训练文本对应的语音波形点可以是通过有线或无线连接的方式从本地或通信连接的电子设备上获取的、也可以是人工实时标注或自动标注的、也可以是先通过自动标注后，又人工补充修改纠正标注错误后得到的，本技术对此不做具体限定。
46.通过多任务训练的方式对根据该声学特征和声码器联合建模得到的初始神经网络模型进行训练，可以得到能够根据文本的文本特征直接预测得到对应的语音波形点的语音合成模型，从而可以实现将获取的任意待合成文本上的文字转换成具有目标口音和目标音色的音频。另外，在进行训练时所选用的训练样本的声学特征和语音波形点所对应的语音口音和音色，也对应了训练后的该初始神经网络的合成语音的口音和音色。因此，在训练该初始神经网络模型时，可以根据实际需求选择训练时所采用的与所述训练文本对应的声学特征、与所述训练文本对应的语音波形点所对应的口音和音色，或者，也可以训练多个分别对应不同音色和/或口音的初始神经网络模型，以向用户提供更多的语音合成效果，提升用户的语音合成体验。
47.在一种可能的实施方式中，在经过前文中所述的模型训练过程之后，为了进一步缩减该语音合成模型的规模，还可以如下所示的模型蒸馏和模型剪枝操作。模型蒸馏操作可以包括：获取预先训练好的指导模型，所述指导模型与训练后的所述初始神经网络模型具有相同的建模方法和训练方法，且所述指导模型的模型深度和模型节点大于训练后的所述初始神经网络模型；将训练后的所述初始神经网络模型作为目标模型，并根据所述指导模型通过模型蒸馏的方式指导训练所述目标模型；根据训练后的所述目标模型确定所述语音合成模型。其中，该指导模型可以也是通过声学模型和声码器联合建模所构建的神经网络模型进行训练之后所得到的模型，或者，也可以与该初始神经网络模型的构建和训练方法不完全相同，但该指导模型与该训练后的所述初始神经网络模型的训练目标应该都为根据待合成文本的文本特征直接预测得到目标语音的语音波形点，并且，该指导模型应当在网络深度和节点数量上都大于该训练后的所述初始神经网络模型，以对该训练后的所述初始神经网络模型起到指导训练的目的。模型剪枝操作可以包括：对训练后的所述目标模型进行剪枝操作，以减少训练后的所述目标模型中的模型参数；将经过剪枝的所述目标模型确定为所述语音合成模型。具体的剪枝方法可以为任意对模型进行剪枝的常规方法，在本公开中对该剪枝方法不进行特殊限定。
48.图3是根据本公开又一示例性实施例示出的一种语音合成方法的流程图。如图3所示，所述方法还包括步骤301和步骤302。
49.在步骤301中，获取目标音色。
50.在步骤302中，将所述文本特征输入与所述目标音色对应的预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音。
51.如前文中所述，该语音合成模型在训练时，可以训练多个分别对应不同音色和/或口音的初始神经网络模型，进而确定分别对应于不同音色/口音的语音合成模型，以向用户提供更多的语音合成效果。因此，用户在进行语音合成时，还能够根据需求选择目标音色来进行语音合成，从而达到提升用户的语音合成体验的效果。
52.图4是根据本公开一示例性实施例示出的一种语音合成装置的结构框图。如图4所
示，所述装置包括：获取模块10，用于获取待合成文本对应的文本特征；语音合成模块20，用于将所述文本特征输入预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音；其中，所述语音合成模型通过将所述文本特征直接转换为所述目标语音对应的语音波形点来合成所述目标语音。
53.通过上述技术方案，预先训练得到的语音合成模型能够根据待合成文本的文本特征直接预测得到对应的语音波形点作为待合成文本对应的目标语音，无需进行任何中间特征的预测，从而不仅缩小了语音合成模型的大小，使其更加便于部署在各种终端中离线使用，而且由于没有中间特征，能够减少在模型中间层的信息损失，减少了合成的目标语音与文本特征之间的信息差，从而也能在一定程度上提高模型的语音合成效果，进一步提高了用户对于离线语音合成的使用体验。
54.在一种可能的实施方式中，所述获取模块10还用于：根据预先训练得到的文本特征提取模型，提取所述待合成文本对应的文本特征。
55.图5是根据本公开又一示例性实施例示出的一种语音合成装置的结构框图。如图5所示，所述装置还包括：模型训练模块30，用于根据声学模型和声码器联合建模以得到所述语音合成模型，所述声学模型为根据文本特征生成声学特征的模型，所述声码器为根据声学特征生成语音波形点的模块。
56.在一种可能的实施方式中，所述模型训练模块30还用于：根据声学模型和声码器联合建模以得到初始神经网络模型，并确定训练模型，其中，所述训练模型与所述初始神经网络模型中的部分网络结构构成完整的声学模型；获取训练样本，所述训练样本包括与训练文本对应的文本特征、与所述训练文本对应的声学特征、与所述训练文本对应的语音波形点；通过多任务训练的方式对所述初始神经网络模型进行训练，所述多任务训练包括第一任务和第二任务，所述第一任务包括：将与所述训练文本对应的文本特征作为所述初始神经网络模型的输入，将与所述训练文本对应的语音波形点作为所述初始神经网络模型的期望输出；所述第二任务包括：获取所述初始神经网络模型的中间层特征作为所述训练模型的输入，将与所述训练文本对应的声学特征作为所述训练模型的输出；根据训练后的所述初始神经网络模型确定所述语音合成模型。
57.在一种可能的实施方式中，所述模型训练模块30还用于：获取预先训练好的指导模型，所述指导模型与训练后的所述初始神经网络模型具有相同的建模方法和训练方法，且所述指导模型的模型深度和模型节点大于训练后的所述初始神经网络模型；将训练后的所述初始神经网络模型作为目标模型，并根据所述指导模型通过模型蒸馏的方式指导训练所述目标模型；根据训练后的所述目标模型确定所述语音合成模型。
58.在一种可能的实施方式中，所述模型训练模块30还用于：对训练后的所述目标模型进行剪枝操作，以减少训练后的所述目标模型中的模型参数；将经过剪枝的所述目标模型确定为所述语音合成模型。
59.在一种可能的实施方式中，所述获取模块10还用于获取目标音色；所述语音合成模块20还用于：将所述文本特征输入与所述目标音色对应的预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音。
60.下面参考图6，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6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。
61.如图6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。
62.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6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。
63.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。
64.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。
65.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。
66.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。
67.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文本特征；将所述文本特征输入预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音；其中，所述语音合成模型通过将所述文本特征直接转换为所述目标语音对应的语音波形点来合成所述目标语音。。
68.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)。
69.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。
70.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文本特征的模块”。
71.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。
72.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。
73.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，所述方法包括：获取待合成文本对应的文本特征；将所述文本特征输入预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音；其中，所述语音合成模型通过将所述文本特征直接转换为所述目标语音对应的语音波形点来合成所述目标语音。
74.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，所述获取待合成文本对应的文本特征包括：根据预先训练得到的文本特征提取模型，提取所述待合成文本对应的文本特征。
75.根据本公开的一个或多个实施例，示例3提供了示例1的方法，在获取所述待合成文本对应的文本特征之前，所述方法还包括；根据声学模型和声码器联合建模以得到所述语音合成模型，所述声学模型为根据文本特征生成声学特征的模型，所述声码器为根据声学特征生成语音波形点的模块。
76.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，所述根据声学模型和声码器联合建模以得到所述语音合成模型还包括：根据声学模型和声码器联合建模以得到初始神经网络模型，并确定训练模型，其中，所述训练模型与所述初始神经网络模型中的部分网络结构构成完整的声学模型；获取训练样本，所述训练样本包括与训练文本对应的文本特征、与所述训练文本对应的声学特征、与所述训练文本对应的语音波形点；通过多任务训练的方式对所述初始神经网络模型进行训练，所述多任务训练包括第一任务和第二任务，所述第一任务包括：将与所述训练文本对应的文本特征作为所述初始神经网络模型的输入，将与所述训练文本对应的语音波形点作为所述初始神经网络模型的期望输出；所述第二任务包括：获取所述初始神经网络模型的中间层特征作为所述训练模型的输入，将与所述训练文本对应的声学特征作为所述训练模型的输出；根据训练后的所述初始神经网络模型确定所述语音合成模型。
77.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，所述根据训练后的所述初始神经网络模型确定所述语音合成模型包括：获取预先训练好的指导模型，所述指导模型与训练后的所述初始神经网络模型具有相同的建模方法和训练方法，且所述指导模型的模型深度和模型节点大于训练后的所述初始神经网络模型；将训练后的所述初始神经网络模型作为目标模型，并根据所述指导模型通过模型蒸馏的方式指导训练所述目标模型；根据训练后的所述目标模型确定所述语音合成模型。
78.根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述根据训练后的所述目标模型确定所述语音合成模型包括：对训练后的所述目标模型进行剪枝操作，以减少训练后的所述目标模型中的模型参数；将经过剪枝的所述目标模型确定为所述语音合成模型。
79.根据本公开的一个或多个实施例，示例7提供了示例1的方法，所述方法还包括：获取目标音色；所述将所述文本特征输入预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音包括：将所述文本特征输入与所述目标音色对应的预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音。
80.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，所述装置包括：获取模块，用于获取待合成文本对应的文本特征；语音合成模块，用于将所述文本特征
输入预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音；其中，所述语音合成模型通过将所述文本特征直接转换为所述目标语音对应的语音波形点来合成所述目标语音。
81.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，所述获取模块10还用于：根据预先训练得到的文本特征提取模型，提取所述待合成文本对应的文本特征。
82.根据本公开的一个或多个实施例，示例10提供了示例8的装置，所述装置还包括：模型训练模块30，用于根据声学模型和声码器联合建模以得到所述语音合成模型，所述声学模型为根据文本特征生成声学特征的模型，所述声码器为根据声学特征生成语音波形点的模块。
83.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，所述模型训练模块30还用于：根据声学模型和声码器联合建模以得到初始神经网络模型，并确定训练模型，其中，所述训练模型与所述初始神经网络模型中的部分网络结构构成完整的声学模型；获取训练样本，所述训练样本包括与训练文本对应的文本特征、与所述训练文本对应的声学特征、与所述训练文本对应的语音波形点；通过多任务训练的方式对所述初始神经网络模型进行训练，所述多任务训练包括第一任务和第二任务，所述第一任务包括：将与所述训练文本对应的文本特征作为所述初始神经网络模型的输入，将与所述训练文本对应的语音波形点作为所述初始神经网络模型的期望输出；所述第二任务包括：获取所述初始神经网络模型的中间层特征作为所述训练模型的输入，将与所述训练文本对应的声学特征作为所述训练模型的输出；根据训练后的所述初始神经网络模型确定所述语音合成模型。
84.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，所述模型训练模块30还用于：获取预先训练好的指导模型，所述指导模型与训练后的所述初始神经网络模型具有相同的建模方法和训练方法，且所述指导模型的模型深度和模型节点大于训练后的所述初始神经网络模型；将训练后的所述初始神经网络模型作为目标模型，并根据所述指导模型通过模型蒸馏的方式指导训练所述目标模型；根据训练后的所述目标模型确定所述语音合成模型。
85.根据本公开的一个或多个实施例，示例13提供了示例12的装置，所述模型训练模块30还用于：对训练后的所述目标模型进行剪枝操作，以减少训练后的所述目标模型中的模型参数；将经过剪枝的所述目标模型确定为所述语音合成模型。
86.根据本公开的一个或多个实施例，示例14提供了示例8的装置，所述获取模块10还用于获取目标音色；所述语音合成模块20还用于：将所述文本特征输入与所述目标音色对应的预先训练得到的语音合成模型，以得到根据所述待合成文本所合成得到的目标语音。
87.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实现示例1-7中任一项所述方法的步骤。
88.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，其上存储有至少一个计算机程序；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，以实现示例1-7中任一项所述方法的步骤。
89.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。
90.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。
91.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。