[发明专利]语音时长预测方法、装置、设备及可读存储介质

权利要求书

1.一种语音时长预测方法，其特征在于，包括：

获取文本数据；

利用预先训练好的时长预测模型对所述文本数据进行至少两个韵律层级的编码，得到至少两个韵律层级的编码特征序列；

利用所述时长预测模型，根据所述至少两个韵律层级的编码特征序列，生成所述文本数据对应的语音时长序列。

2.根据权利要求1所述的方法，其特征在于，利用所述时长预测模型得到至少两个韵律层级的编码特征序列；根据所述至少两个韵律层级的编码特征序列，生成所述文本数据对应的语音时长序列的过程，包括：

利用所述时长预测模型的编码模块，对所述文本数据进行至少两个韵律层级的编码，得到至少两个韵律层级的编码特征序列；

利用所述时长预测模型的时长生成模块，根据所述至少两个韵律层级的编码特征序列，生成所述文本数据对应的语音时长序列。

3.根据权利要求2所述的方法，其特征在于，利用所述时长预测模型的编码模块，对所述文本数据进行至少两个韵律层级的编码，得到至少两个层级的编码特征序列，包括：

利用所述时长预测模型的特征提取模块，提取所述文本数据的特征，得到文本特征序列，作为最低韵律层级的编码特征序列；

利用所述时长预测模型的韵律特征获取模块，对所述文本特征序列进行至少一个非最低韵律层级的编码，得到至少一个非最低韵律层级的韵律特征序列，作为所述至少两个韵律层级的编码特征序列中其它韵律层级的编码特征序列。

4.根据权利要求3所述的方法，其特征在于，所述利用所述时长预测模型的时长生成模块，根据所述至少两个韵律层级的编码特征序列，生成所述文本数据对应的语音时长序列，包括：

利用所述时长预测模型的第一时长生成模块，根据所述至少两个韵律层级的编码特征序列，生成所述文本特征序列对应的语音时长序列，作为所述文本数据对应的语音时长序列；其中，所述语音时长序列中的语音时长与所述文本特征序列中的文本特征一一对应。

5.根据权利要求3所述的方法，其特征在于，所述利用所述时长预测模型的时长生成模块，根据所述至少两个韵律层级的编码特征序列，生成所述文本数据对应的语音时长序列，包括：

利用所述时长预测模型的第一时长生成模块，根据所述至少两个韵律层级的编码特征序列，生成所述文本特征序列对应的语音时长序列；

利用所述时长预测模型的第二时长生成模块，根据每个韵律特征序列，生成该韵律特征序列对应的语音时长序列；该语音时长序列中的语音时长与该韵律特征序列中的韵律特征一一对应；

对所述文本特征序列对应的语音时长序列以及各个韵律特征序列对应的语音时长序列进行处理，得到所述文本数据对应的语音时长序列。

6.根据权利要求4或5所述的方法，其特征在于，利用所述第一时长生成模块，根据所述至少两个韵律层级的编码特征序列，生成所述文本特征序列对应的语音时长序列的过程，包括：

利用所述时长预测模型的拼接模块，对应每一个文本特征，将该文本特征，以及基于该文本特征生成的各个韵律层级的韵律特征进行拼接，得到该文本特征对应拼接特征；

利用所述时长预测模型的采样模块，在预先设定好的符合预设分布的变量中进行采样，得到与各个拼接特征对应的目标值；

利用所述时长预测模型的变换模块，根据由各个文本特征对应的拼接特征构成的拼接特征序列，对由各个目标值构成的目标值序列进行预先训练好的第一变换，得到所述文本特征序列对应的语音时长序列。