[发明专利]语音合成方法、装置、设备及计算机可读存储介质

权利要求书

1.一种语音合成方法，其特征在于，包括：

根据输入文本的音素序列和音素特征，确定所述输入文本的音节单元，以及所述音节单元的音节特征，每个所述音节单元包括第一音素和第二音素，所述第二音素为所述输入文本的原始音素；

将所述音节单元的音节特征，输入时长预测模型，计算得到音节单元的总时长，以及所述音节单元中第一音素和第二音素的预测时长；

根据音节单元的时长，以及所述音节单元的总时长，以及所述音节单元中第一音素和第二音素的预测时长，确定所述输入文本的原始音素的时长；

根据所述输入文本的原始音素的时长，将所述输入文本的原始音素扩充为帧序列单元，确定所述输入文本的帧序列和帧特征；

根据所述输入文本的帧特征，确定所述输入文本的声学参数，并进行语音合成。

2.根据权利要求1所述的方法，其特征在于，所述根据输入文本的音素序列和音素特征，确定所述输入文本的音节单元，以及所述音节单元的音节特征，包括：

对所述输入文本的每个自然音节进行如下处理：

确定所述自然音节包含的原始音素的数量，记为第一数量；

若所述第一数量等于2，则将所述自然音节作为一个音节单元；

若所述第一数量不等于2，则根据所述自然音节中的每个原始音素，生成一个对应的音节单元，该音节单元中的第一音素为预设音素、第二音素为对应的原始音素，所述预设音素的音素特征每个维度均为0；

每个音节单元的音节特征包括构成该音节单元的第一音素和第二音素的音素特征。

3.根据权利要求2所述的方法，其特征在于，所述音节单元中第一音素为声母音素，第二音素为韵母音素，且所述第一音素在所述第二音素之前。

4.根据权利要求2所述的方法，其特征在于，所述根据所述音节单元的时长，以及所述音节单元的总时长，以及所述音节单元中第一音素和第二音素的预测时长，确定所述输入文本的原始音素的时长，包括：

若所述音节单元的第一音素是所述预设音素，则确定所述音节单元的第二音素的时长等于所述总时长，得到所述音节单元中原始音素的时长；

若所述音节单元的第一音素不是所述预设音素，则将根据所述第一音素和第二音素的预测时长，计算所述第一音素和第二音素的时长，所述第一音素和第二音素的时长之和等于所述总时长，并且所述第一音素的时长和所述第二音素的时长所成的比例、与所述第一音素的预测时长和所述第二音素的预测时长所成的比例一致。

5.根据权利要求2所述的方法，其特征在于，所述根据所述输入文本的原始音素的时长，将所述输入文本的原始音素扩充为帧序列单元，确定所述输入文本的帧序列和帧特征，包括：

将每个所述原始音素扩充成由第一数量的所述原始音素排列成的帧序列单元，其中每个所述原始音素作为所述帧序列单元的一个帧，所述第一数量为所述原始音素的时长；

所述帧序列单元中每个帧的帧特征包括：对应原始音素的音素特征、当前帧在帧序列单元中的位置索引、当前帧在对应音节单元中的位置索引；

所述输入文本的音素序列中，各个原始音素的帧序列单元排列构成所述输入文本的帧序列；

所述输入文本的帧特征包括所述输入文本中每个帧的帧特征。

6.根据权利要求1所述的方法，其特征在于，所述根据所述输入文本的帧特征，确定所述输入文本的声学参数，并进行语音合成，包括：

将所述输入文本的帧特征，输入声学参数模型，计算得到所述输入文本的帧序列中每个帧的声学参数；

根据所述输入文本的帧序列中每个帧的声学参数，进行语音合成。

7.根据权利要求1所述的方法，其特征在于，所述根据输入文本的音素序列和音素特征，确定所述输入文本的音节单元，以及所述音节单元的音节特征之前，还包括：

对输入文本进行文本分析，确定所述输入文本的音素序列及音素特征；

其中，所述输入文本的音素序列由所述输入文本的原始音素排列构成，所述输入文本的音素特征包括每个所述原始音素的音素特征。