[发明专利]一种语音合成方法及装置

说明书

本申请实施例提供了一种语音合成方法及装置。所述方法包括：获取文本，所述文本包括需要强调的文本，在将所述文本合成为语音的过程中，根据所述需要强调的文本，调整所述语音，使得对所述需要强调的文本对应的语音进行强调，使得在合成语音时，对语音进行调整，从而让文本中需要强调的部分对应的语音得到强调的效果，避免语音合成时语气平淡、没有起伏停顿，难以抓住重点的问题，实现了可控制的合成有强调的语音。

技术领域

本申请涉及语音合成技术领域，特别是涉及语音合成方法、语音合成装置。

背景技术

随着人工智能技术的高速发展，各行各业都在积极转型，将更多的业务从线下搬到线上，将产品从人力向智能化转变。而在线教育，就是近些年发展较快的行业之一。目前，主要的教学形式有直播课、录播课和AI(Artificial Intelligence，人工智能)课三种。前两种方式，内容生成效率较低，智能化程度不够，并不能符合当下用户的需求。而AI课凭借高效，智能，内容多样和个性化等特点，成为目前在线教育的主要场景。其中，语音合成在虚拟老师、智能对话、语音交互等方面，都是不可或缺的技术。

语音合成技术，又称文语转换(Text To Speech，TTS)，是一种可以将任意输入文本转换成相应语音的技术。目前在很多领域都已得到了广泛应用，如车载导航、电子书阅读、智能音箱、虚拟主播等都有涉及，但是由于这些场景特殊性，我们只需要理解字面意思，并不需要挖掘字面背后的潜在含义，因此只需要保证合成的声音足够清晰流畅即可完成所需功能。这和教育场景有很大的不同。以英语教学为例，当老师说“I have an apple”时，由于重音强调的位置不同，所要表达的意思也会有所差异，同样的一句话，强调的单词不同，所要表达的含义也千差万别。而在实际教学环境中，如果语气平淡，没有起伏停顿，可能学生并不能抓住所学重点，从而造成学习效率低下，最终导致产品体验差，造成用户流失。

因此，传统的语音合成无法可控的合成带有强调语气的语音，并不能直接应用于在线教育领域。

发明内容

鉴于上述问题，本申请实施例提出了一种克服上述问题的语音合成方法、语音合成装置，本申请实施例能够解决语音合成无法可控的合成带有强调语气的语音的问题。

为了解决上述问题，本申请公开了一种语音合成方法，包括：

获取文本，所述文本包括需要强调的文本；

在将所述文本合成为语音的过程中，根据所述需要强调的文本，调整所述语音，使得对所述需要强调的文本对应的语音进行强调。

可选地，所述在将所述文本合成为语音的过程中，根据所述需要强调的文本，调整所述语音，使得对所述需要强调的文本对应的语音进行强调，包括：

在将所述文本合成为语音的过程中，根据所述需要强调的文本，调整所述语音的语音属性，使得对所述需要强调的文本对应的语音进行强调，所述语音属性包括语速、基频、能量中至少一种。

可选地，所述语音属性包括语速，所述在将所述文本合成为语音的过程中，根据所述需要强调的文本，调整所述语音的语音属性，使得对所述需要强调的文本对应的语音进行强调，包括：

在将所述文本合成为语音的过程中，根据所述需要强调的文本，调整所述语音的语速，使得在所述语音中，越靠近所述需要强调的文本对应的语音，语速越慢。

可选地，所述在将所述文本合成为语音的过程中，根据所述需要强调的文本，调整所述语音的语速，使得在所述语音中，越靠近所述需要强调的文本对应的语音，语速越慢，包括：

将所述文本输入语音合成模型得到音频特征序列，使得在所述音频特征序列中，越靠近所述需要强调的文本对应的音频特征，语速越慢；所述语音合成模型是以文本样本为输入，所述文本样本对应的音频特征序列样本为输出训练获得，所述文本样本携带需要强调的文本在所述文本样本中的位置；