语音合成方法、装置、介质及电子设备与流程

技术特征：
1.一种语音合成方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求1所述的方法，其特征在于，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。4.根据权利要求3所述的方法，其特征在于，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。5.根据权利要求4所述的方法，其特征在于，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。6.根据权利要求5所述的方法，其特征在于，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。7.根据权利要求1所述的方法，其特征在于，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。8.一种语音合成装置，其特征在于，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。9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。10.一种电子设备，其特征在于，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，以实现权利要求1-7中任一项所述方法的步骤。

技术总结
本公开涉及一种语音合成方法、装置、介质及电子设备，包括：获取待合成文本对应的文本特征；将文本特征输入预先训练得到的语音合成模型，以得到根据待合成文本所合成得到的目标语音；其中，语音合成模型通过将文本特征直接转换为目标语音对应的语音波形点来合成目标语音。这样，根据文本合成语音时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。线语音合成的使用体验。线语音合成的使用体验。


技术研发人员：汤本来 李忠豪 马泽君
受保护的技术使用者：北京有竹居网络技术有限公司
技术研发日：2022.07.22
技术公布日：2022/10/25