[发明专利]用于生成语音合成模型的方法和装置

说明书

本申请实施例公开了用于生成语音合成模型的方法和装置。该方法的一具体实施方式包括：获取训练样本集合，训练样本包括样本文本信息、与样本文本信息对应的样本音频数据和样本音频数据的基频；获取初始深度神经网络；利用机器学习方法，将训练样本集合中的训练样本的样本文本信息作为输入，将与输入的样本文本信息对应的样本音频数据和样本音频数据的基频作为输出，对初始深度神经网络进行训练，将训练后初始深度神经网络确定为语音合成模型。该实施方式实现了生成语音合成模型。由此生成的语音合成模型可以基于文本信息得到对应的音频数据，而不需要输入基频。

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成语音合成模型的方法和装置。

背景技术

语音合成(text-to-speech，TTS)的目标是将文本合成语音信号。通过语音合成可以实现人机语音通信。语音合成可以分为拼接合成和参数合成。

发明内容

本申请实施例提出了用于生成语音合成模型的方法和装置。

第一方面，本申请实施例提供了一种用于生成语音合成模型的方法，该方法包括：获取训练样本集合，训练样本包括样本文本信息、与样本文本信息对应的样本音频数据和样本音频数据的基频；获取初始深度神经网络；利用机器学习方法，将训练样本集合中的训练样本的样本文本信息作为输入，将与输入的样本文本信息对应的样本音频数据和样本音频数据的基频作为输出，对初始深度神经网络进行训练，将训练后初始深度神经网络确定为语音合成模型。

在一些实施例中，利用机器学习方法，将训练样本集合中的训练样本的样本文本信息作为输入，将与输入的样本文本信息对应的样本音频数据和样本音频数据的基频作为输出，对初始深度神经网络进行训练，将训练后初始深度神经网络确定为语音合成模型，包括：基于训练样本集合执行以下训练步骤：将训练样本集合中的至少一个训练样本的样本文本信息分别输入初始深度神经网络，得到至少一个样本文本信息中的每个样本文本信息对应的音频数据和音频数据的基频；将至少一个样本文本信息中的每个样本文本信息对应的音频数据和音频数据的基频与对应的样本音频数据和样本音频数据的基频进行比较；根据比较结果确定初始深度神经网络是否达到预设的优化目标；响应于确定初始深度神经网络达到优化目标，将初始深度神经网络确定为语音合成模型。

在一些实施例中，训练得到语音合成模型的步骤还包括：响应于确定初始深度神经网络未达到优化目标，调整初始深度神经网络的参数，以及使用未用过的训练样本组成训练样本集合，使用调整后的初始深度神经网络作为初始深度神经网络，继续执行训练步骤。

第二方面，本申请实施例提供了一种语音合成方法，该方法包括：获取待处理文本信息；将待处理文本信息输入至语音合成模型，生成待处理文本信息对应的音频数据，其中，语音合成模型是按照上述第一方面中任一实现方式描述的方法生成的。

第三方面，本申请实施例提供了一种用于生成语音合成模型的装置，该装置包括：训练样本集合获取单元，被配置成获取训练样本集合，训练样本包括样本文本信息、与样本文本信息对应的样本音频数据和样本音频数据的基频；网络获取单元，被配置成获取初始深度神经网络；训练单元，被配置成利用机器学习方法，将训练样本集合中的训练样本的样本文本信息作为输入，将与输入的样本文本信息对应的样本音频数据和样本音频数据的基频作为输出，对初始深度神经网络进行训练，将训练后初始深度神经网络确定为语音合成模型。

在一些实施例中，训练单元进一步被配置成：基于训练样本集合执行以下训练步骤：将训练样本集合中的至少一个训练样本的样本文本信息分别输入初始深度神经网络，得到至少一个样本文本信息中的每个样本文本信息对应的音频数据和音频数据的基频；将至少一个样本文本信息中的每个样本文本信息对应的音频数据和音频数据的基频与对应的样本音频数据和样本音频数据的基频进行比较；根据比较结果确定初始深度神经网络是否达到预设的优化目标；响应于确定初始深度神经网络达到优化目标，将初始深度神经网络确定为语音合成模型。