[发明专利]一种音频信息的生成方法和装置

权利要求书

1.一种音频信息的生成方法，其特征在于，所述方法包括：

获取文本信息和第一音频信息，所述文本信息包括至少一个词；

对所述文本信息进行语言学分析，分别得到所述至少一个词的语言学特征；

通过时长预测模型分别对所述至少一个词进行音素级别的时长预测和时长自适应调整，得到所述至少一个词的音素时长预测值，所述时长自适应调整用于使每个字都在节拍上；

根据所述至少一个词的音素时长预测值和相应的语言学特征生成对应于所述至少一个词的第二音频信息；

将所述第一音频信息和所述第二音频信息合成得到融合音频信息。

2.根据权利要求1所述的方法，其特征在于，所述对所述文本信息进行语言学分析，分别得到所述至少一个词的语言学特征，包括：

对所述文本信息进行断句，得到至少一句的子文本；

按照词性和韵律对每句的子文本进行词切分，得到每个子文本对应的词语；

对所述每个子文本对应的词语分别提取到语言学特征，得到所述至少一个词的语言学特征。

3.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个词的音素时长预测值和相应的语言学特征生成对应于所述至少一个词的第二音频信息，包括：

根据所述至少一个词的音素时长预测值和相应的语言学特征分别对所述至少一个词进行声学特征预测，得到所述至少一个词分别对应的声学特征；

将所述至少一个词分别对应的声学特征转换为所述至少一个词分别对应的声音片段；

将所述至少一个词分别对应的声音片段合成在一起，得到所述第二音频信息。

4.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个词的音素时长预测值和相应的语言学特征生成对应于所述至少一个词的第二音频信息之后，所述方法还包括：

根据所述第二音频信息的音素时长预测值判断所述第二音频信息与所述第一音频信息之间是否满足韵律匹配；

若所述第二音频信息与所述第一音频信息之间满足韵律匹配，触发执行如下步骤:将所述第一音频信息和所述第二音频信息合成得到融合音频信息。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若所述第二音频信息与所述第一音频信息之间不满足韵律匹配，将所述第二音频信息的音素时长预测值与音频数据库中的音频数据进行韵律匹配，从所述音频数据库中筛选出的音频数据，所述音频数据库中的每个音频数据都对应有韵律特征；

将生成的所述第二音频信息和从所述音频数据库中筛选出的音频数据合成，得到融合音频信息。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：

从训练语料库中的训练样本中提取出音素时长；

将提取出的音素时长作为神经网络的输入参数，对时长预测模型进行音素时长的训练；

在所述时长预测模型训练完成后，使用测试语料库中的测试样本对所述时长预测模型进行音素时长的测试；

输出测试完成后的所述时长预测模型。

7.一种音频信息的生成装置，其特征在于，所述装置包括：

获取模块，用于获取文本信息和第一音频信息，所述文本信息包括至少一个词；

语言学分析模块，用于对文本信息进行语言学分析，分别得到所述至少一个词的语言学特征；

时长预测模块，用于通过时长预测模型分别对所述至少一个词进行音素级别的时长预测和时长自适应调整，得到所述至少一个词的音素时长预测值，所述时长自适应调整用于使每个字都在节拍上；

音频生成模块，用于根据所述至少一个词的音素时长预测值和相应的语言学特征生成对应于所述至少一个词的第二音频信息；

音频融合模块，用于将所述第一音频信息和所述第二音频信息合成得到融合音频信息。