[发明专利]语音时长预测方法、装置、设备及可读存储介质

说明书

本申请实施例公开了一种语音时长预测方法、装置、设备及可读存储介质，在获取文本数据后，利用预先训练好的时长预测模型对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；利用上述时长预测模型，根据上述至少两个韵律层级的编码特征序列，生成文本数据对应的语音时长序列，该方案在对文本数据进行编码时，进行了至少两个韵律层级的编码，从而可以对语音时长进行不同韵律层级的控制，基于该方法预测的语音时长进行语音合成时，降低了一字一顿现象出现的概率，使得合成语音的连续性更好。

技术领域

本申请涉及语音处理技术领域，更具体地说，涉及一种语音时长预测方法、装置、设备及可读存储介质。

背景技术

随着人工智能相关技术应用的发展，语音合成技术的应用领域不断拓展，例如，从广播式应用(如车站、银行、机场广播等)到人机交互式应用(如人工智能助理、客服等)等领域都会应用到语音合成技术，这对合成语音的表现力、音质等有了更高的要求。

时长预测是语音合成技术的一个重要环节，然而，本申请的发明人研究发现，基于目前的时长预测方法预测的语音时长进行语音合成时，易出现一字一顿现象，连续感差。

发明内容

有鉴于此，本申请提供了一种语音时长预测方法、装置、设备及可读存储介质，以提高合成语音的连续性。

为了实现上述目的，现提出的方案如下：

一种语音时长预测方法，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。

上述方法，优选的，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。

上述方法，优选的，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。

上述方法，优选的，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；

或者，

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；