[发明专利]文本到语音的方法和系统

权利要求书

1.一种文本到语音的方法，用于模拟多个不同的声音特性，所述方法包括：

输入文本；

将所输入的文本划分成声学单元序列；

选择用于所输入的文本的声音特性；

使用声学模型，将所述声学单元序列转换成语音向量序列，其中所述模型具有多个模型参数，其描述将声学单元与语音向量相关的概率分布；以及

输出所述语音向量序列，作为具有所选择的声音特性的音频；

其中，在所选择的声音特性中每个概率分布的预定类型的参数被表示为相同类型的参数的加权和，其中所使用的权重是依赖声音特性的，以使得将所述声学单元序列转换成语音向量序列包括获取用于所选择的声音特性的声音特性依赖权重，其中，所述参数在聚类中提供，每个聚类包括至少一个子聚类，其中对于每个聚类，获取所述声音特性依赖权重，以使得每个子聚类有一个权重。

2.如权利要求1所述的文本到语音的方法，其中，每个子聚类包括至少一个决策树，所述决策树基于与语言差异、语音差异或韵律差异中的至少一个有关的问题。

3.如权利要求2所述的文本到语音的方法，其中，所述聚类的决策树之间的结构有差异。

4.如权利要求1所述的文本到语音的方法，其中，所述多个声音特性从不同的说话者声音、不同的说话者风格、不同的说话者情绪或者不同的口音的至少一个中选择。

5.如权利要求1所述的文本到语音的方法，其中，所述概率分布从高斯分布、泊松分布、伽马分布、学生t分布或拉普拉斯分布中选择。

6.如权利要求1所述的文本到语音的方法，其中，选择声音特性包括：提供输入以允许所述权重通过所述输入选择。

7.如权利要求1所述的文本到语音的方法，其中，选择声音特性包括：根据将要被输出的文本预测应当被使用的权重。

8.如权利要求1所述的文本到语音的方法，其中，选择声音特性包括：根据有关说话者的类型的外部信息预测应当被使用的权重。

9.如权利要求1所述的文本到语音的方法，其中，选择声音特性包括：接收包含声音的音频输入，以及改变所述权重以模拟所述音频输入的所述声音的声音特性。

10.如权利要求1所述的文本到语音的方法，其中，选择声音特性包括：从预先存储的多组权重中随机选择一组权重，其中，每组权重包括用于所有子聚类的权重。

11.如权利要求1所述的文本到语音的方法，其中，选择声音特性包括：接收包括多个值的输入，以及将所述多个值映射到所述权重。

12.如权利要求11所述的文本到语音的方法，其中，所述多个值占用n维值空间，所述权重占用w维权重空间，其中n和w是整数且w大于n，以使得所述变换将输入值变换到更高维度空间。

13.如权利要求12所述的文本到语音的方法，其中，所述多个值直接表示可识别的说话者特性。

14.一种使文本到语音的系统适配在音频文件中提供的声音特性的方法，所述文本到语音的系统包括：

处理器，其被配置为：

接收文本输入；

将所输入的文本划分成声学单元序列；

选择用于所输入的文本的声音特性；

使用声学模型，将所述声学单元序列转换成语音向量序列，其中，所述模型具有多个模型参数，其描述将声学单元与语音向量相关的概率分布；以及

输出所述语音向量序列，作为具有所选择的声音特性的音频；

其中，在所选择的声音特性中每个概率分布的预定类型的参数被表示为相同类型的参数的加权和，其中，所使用的权重是依赖声音特性的，以使得将所述声学单元序列转换成语音向量序列包括获取用于所选择的声音特性的声音特性依赖权重，其中，所述参数在聚类中提供，每个聚类包括至少一个子聚类，其中，对于每个聚类，获取所述声音特性依赖权重，以使得每个子聚类有一个权重；

所述方法包括：

接收新的输入音频文件；

计算应用于所述聚类的权重，以使所生成的语音与新的音频文件之间的相似性最大。

15.如权利要求14所述的方法，还包括：

使用来自所述新的音频文件的数据创建新的聚类；以及

计算应用于包括所述新的聚类的聚类的权重，以使所生成的语音与所述新的音频文件之间的相似性最大。