[发明专利]语音合成方法、装置、设备和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，所述方法包括：

将目标文本转换为对应的目标音素序列；

采用已训练端到端语音合成模型提取所述目标音素序列的目标声学特征，所述已训练端到端语音合成模型为采用无标注语音数据对端到端语音合成模型训练得到；

将所述目标声学特征转换成语音波形后输出。

2.如权利要求1所述语音合成方法，其特征在于，所述采用已训练端到端语音合成模型提取所述目标音素序列的目标声学特征，包括：

编码所述目标音素序列，将所述目标音素序列映射为所述目标文本的高维文本特征序列；

对所述目标文本的高维文本特征序列进行声学解码，预测所述目标音素序列的目标声学特征。

3.如权利要求2所述语音合成方法，其特征在于，所述对所述目标文本的高维文本特征序列进行声学解码，预测所述目标音素序列的目标声学特征之前，所述方法还包括：

获取语音特征序列；

将所述目标文本的高维文本特征序列与所述语音特征序列对齐，得到所述目标文本的对齐高维文本特征序列。

4.如权利要求3所述语音合成方法，其特征在于，所述方法还包括：

在将所述目标文本的高维文本特征序列与所述语音特征序列对齐时，加入目标说话人向量来控制目标说话人的音色。

5.如权利要求1所述语音合成方法，其特征在于，所述将目标文本转换为对应的目标音素序列，包括：

根据所述目标文本的正则特征对所述目标文本进行语音初步处理，提取所述目标文本的辅助性特征；

采用所述目标文本的辅助性特征对所述目标文本的正则特征进行前端解码，得到具备语音播放标准的目标音素序列。

6.如权利要求5所述语音合成方法，其特征在于，所述根据所述目标文本的正则特征对所述目标文本进行语音初步处理，提取所述目标文本的辅助性特征，包括：将所述目标文本的正则特征输入预先构建的语音初步处理模块中，对所述目标文本进行文字分割和词性标注；

所述采用所述目标文本的辅助性特征对所述目标文本的正则特征进行前端解码，得到具备语音播放标准的目标音素序列，包括：将所述目标文本的正则特征和所述目标文本的辅助性特征同时输入预先构建的文本解码模块中，得到具备语音播放标准的目标音素序列。

7.如权利要求1所述语音合成方法，其特征在于，所述方法还包括：

采用无标注语音数据对所述端到端语音合成模型进行训练，得到所述已训练端到端语音合成模型。

8.如权利要求7所述语音合成方法，其特征在于，所述采用无标注语音数据对所述端到端语音合成模型进行训练，得到所述已训练端到端语音合成模型，包括：

采用所述无标注语音数据对量子化向量-变分自编码器VQ-VAE模型进行训练，提取无监督语言单元；

将有标注语音数据和所述无监督语言单元输入所述端到端语音合成模型进行训练，得到所述已训练端到端语音合成模型。

9.一种语音合成装置，其特征在于，所述装置包括：

文转音模块，用于将目标文本转换为对应的目标音素序列；

声学特征提取模块，用于采用已训练端到端语音合成模型提取所述目标音素序列的目标声学特征，所述已训练端到端语音合成模型为采用无标注语音数据对端到端语音合成模型训练得到；

语音生成模块，用于将所述目标声学特征转换成语音波形后输出。

10.一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任意一项所述语音合成方法的步骤。

11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述语音合成方法的步骤。