[发明专利]一种音频信息的生成方法和装置

说明书

本发明实施例公开了一种音频信息的生成方法和装置，用于通过输入文本就可以生成语音与节奏匹配的融合音频。本发明实施例提供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；对文本信息进行语言学分析，分别得到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；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。

技术领域

本发明涉及计算机技术领域，尤其涉及一种音频信息的生成方法和装置。

背景技术

音乐在人们的生活中发挥着不可替代的作用，音乐根据节奏感不同又可分为多种音乐类型，其中嘻哈音乐(Rap music或Hip hop)是一种跟着伴奏、带着韵律吟诵(饶舌)的音乐风格，所用的伴奏多产生于音乐取样手段。目前音频信息的生成方式主要是由人们进行人工创作来完成，例如嘻哈音乐可以由专业嘻哈歌手编制嘻哈音乐。但对于没有音乐基础的人们来说，根本不具备创作音乐的能力。

为了实现音乐的无门槛创作，需要生成可供普通用户欣赏的音乐，现有技术中产生了如下的两种音乐生成方式：第一种是将视频的声音转为音乐的方法，第二种是将用户录制的语音转为音乐的方法。对于第一种通过视频的声音生成音乐的方法，需要处理视频数据，以提取出该视频携带的声音数据，再为该声音配上背景音乐，从而生成可供用户欣赏的音乐。对于第二种通过语音生成音乐的方法，不需要处理视频数据，只需要将语音和背景音乐进行合成，就可以生成可供用户欣赏的音乐。

上述生成音乐的技术方案中，只能简单的为视频的声音或者语音配上背景音乐，这种音乐生成方式并不没有考虑到声音或者语音自身的音频特征，造成生成的音乐不能和用户输入的内容匹配。

发明内容

本发明实施例提供了一种音频信息的生成方法和装置，用于通过输入文本就可以生成语音与节奏匹配的音频信息。

为解决上述技术问题，本发明实施例提供以下技术方案：

第一方面，本发明实施例提供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；

对文本信息进行语言学分析，分别得到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；

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。

第二方面，本发明实施例还提供一种音频信息的生成装置，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；

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。

第三方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。