[发明专利]语音自动合成装置及方法

说明书

技术领域

本发明涉及移动设备通信应用领域，尤其涉及一种语音自动合成装置及方法。

背景技术

现有的语音合成系统根据表征说话者的语音信号的数据合成，因此合成的语音信号听起来很生硬，表达不自然，并且不能达到确切地表达说话者的感情。而且，语音合成系统一旦成型，一般都是前篇一律、缺乏变化的。使用时间稍长，不仅会感觉很枯燥，使用率和吸引力很低；而且会给用户带来困意，在开车这种典型场景中非常危险。因此，用户需要更富有变化、以及更亲切的声音，例如希望合成的语音像自己的亲人、朋友、或者手机里的联系人。

现有的语音合成的数据库，往往是选取发音标准、饱满、且音质稳定的某个说话人，设计音素覆盖平衡、丰富的语料库，在专业的录音室中用专业的设备进行录制；然后邀请专业的语言学家进行精确地音素、韵律级别的标注；这个过程需要多遍的检查，对于录制不符合要求的部分要重新录制；最后再由专业技术人员模型的训练。或者也可以利用语音变换等技术实现声音的变换，只需利用较少的数据达到较高质量的效果。由此可以看出，制作专人的合成库，成本很昂贵，需要周期往往很长，而且不是每个人的声音都适合做合成系统。要达到高质量的语音变换，往往需要一定数量内容完全相同的平行语料库，即需要专门采集特定文本的语音数据，或者需要一定的人工标注。这在现实生活中很难实现。

美国专利申请US20090638648公开了一种文本-语音(TTS)的生成方法，适用于口语对话系统。其中公开有跟踪文本语音转换的发展进度的方法。该方法包括校验记录语音的语料库，使语料库与文本保持一致；为语料库中的每个发音生成对应的文件元组；利用文件元组中的各种参数追踪每个发音。该方法采用语音识别辅助TTS库的部分标注，但仍需要人工检查。进一步地，该方法只是利用语音识别技术进行辅助一部分标注，但是仍然需要录制语料库，并且对微小的标注错误很敏感。

有鉴于此，业界亟需一种语音自动合成方法，具备周期短、成本低且能够自动积累，无需数量庞大的平行语料库。

发明内容

为了解决上述技术问题，本发明的目的之一在于提供一种语音自动合成装置，包括：提取模块，用于从语音通话中自动提取出语音数据；增强检测模块，用于自动区分所述语音数据中的多个人的语音，对区分后的语音数据进行归类，并且动态更新归类后的语音数据；综合标注模块，用于自动标注经归类后的语音数据，并且生成标注信息；验证筛选模块，用于筛选出符合预定标准的语音数据，并且通过模型变换生成对应的合成模型；以及语音合成模块，用于根据所述合成模型输出相应用户的语音并且不断更新合成模型。

根据本发明的另一实施方式，所述增强检测模块包括：语音增强单元，用于增强语音信号；彩铃音乐检测单元，用于检测并删除与语音无关的彩铃和音乐信息；语音检测单元，用于检测增强后的语音数据；以及分段归类单元，用于区分所述语音数据，并且将区分后的语音数据进行归类。

根据本发明的另一实施方式，所述语音增强单元包括：噪音滤波子单元，用于过滤所述语音数据中的噪音；以及回音消除子单元，用于消除所述语音数据中的回音。

根据本发明的另一实施方式，所述分段归类单元包括：用户日志子单元，用于根据所述语音数据的特征将多个人的语音隔开；分段子单元，用于将多个人语音的切换部分隔开，并且分段计算所述切换部分的距离；以及归类子单元，用于依次将所述切换部分分别合并成多个人的语音，检测并删掉重合的片段。

根据本发明的另一实施方式，所述综合标注模块包括：特征提取单元，用于提取所述语音数据的特征；基频提取单元，用于提取所述语音数据的基频；以及语音识别单元，用于识别所述语音数据。

根据本发明的另一实施方式，所述语音数据的特征包括：词、音素、时间边界点、停顿时长、基频、或音调中的至少一种信息。

根据本发明的另一实施方式，所述语音识别单元包括：第一识别子单元，设置于所述移动终端；以及第二识别子单元，设置于所述网络服务器。

根据本发明的另一实施方式，所述语音识别单元包括：声学模型子单元、语言模型子单元、或解码器中的至少一个部件。

根据本发明的另一实施方式，所述验证筛选模块包括：发音质量评估单元，用于给所述声学模型和所述语音模型进行打分评估；验证单元，用于验证语音数据的识别结果；以及筛选单元，用于筛选出符合预定标准的语音数据。