[发明专利]一种语音合成方法、装置、计算机设备和存储介质

权利要求书

1.一种语音合成方法，其特征在于，包括：

确定待合成语音的文本信息、说出所述文本信息的说话者及风格；

从所述文本信息提取表征语言学的特征，作为语言信息；

确定DurIAN网络为声学模型、HiFi-GAN网络为声码器；

将所述语言信息输入作为声学模型的所述DurIAN网络中、转换为符合所述说话者在所述风格下说所述文本信息时的频谱特征；

将所述频谱特征输入作为声码器的所述HiFi-GAN网络中、转换为符合所述说话者在所述风格下说所述文本信息时的语音信号。

2.根据权利要求1所述的方法，其特征在于，所述语言信息包括音素、分类标记、韵律标记；

所述从所述文本信息提取表征语言学的特征，作为语言信息，包括：

确定字典，所述字典记载文字与音素、音调与音素、标点符号与分类标记之间的映射关系；

识别所述文本信息中的文字、标点符号；

在所述字典中查询所述文字对应的音素、所述文字的音调对应的音素，将所述文字替换为所述文字对应的音素、所述文字的音调对应的音素；

在所述字典中查询所述标点符号对应的分类标记，将所述标点符号替换为所述标点符号对应的分类标记；

在所述文本信息中添加表示韵律结构的韵律标记。

3.根据权利要求2所述的方法，其特征在于，所述确定字典，包括：

若多种语言的多种文字的发音相似或相同，则将多种所述文字映射至同一音素；

在字典中记录多种所述文字与同一所述音素之间的映射关系；

和/或，

查询各个文字发音的属性；

若所述发音的属性为协同发音，则将所述协同发音作为额外的音调、映射至指定的音素；

在所述字典中记录额外的所述音调与所述音素之间的映射关系。

4.根据权利要求2所述的方法，其特征在于，所述在所述字典中查询所述文字对应的音素、所述文字的音调对应的音素，包括：

查询所述文字发音的属性；

若所述发音的属性为协同发音，则将所述协同发音作为额外的音调、在所述字典中查询额外的所述音调对应的音素。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述DurIAN网络包括时间预测网络、频谱预测网络；

所述确定DurIAN网络为声学模型、HiFi-GAN网络为声码器，包括：

获取说话者在指定风格下说话时记录的音频信号、表达所述音频信号内容的文本信息、由所述音频信号转换的频谱特征；

从所述文本信息提取表征语言学的信息，作为语言信息；

以所述语言信息、所述说话者的风格作为样本、所述音频信号的时长作为标签，训练所述时间预测网络；

若完成训练所述时间预测网络，则以所述语言信息、所述说话者的风格作为样本，所述频谱特征作为标签，训练所述频谱预测网络；

若完成训练所述频谱预测网络，则将所述时间预测网络、所述频谱预测网络设置为声学模型；

以所述频谱特征作为样本、所述音频信号作为标签，训练所述HiFi-GAN网络；

若完成训练所述HiFi-GAN网络，则将所述HiFi-GAN网络设置为声码器。

6.根据权利要求5所述的方法，其特征在于，所述说话者包括多个第一说话者、一个或多个第二说话者；

所述获取说话者在指定风格下说话时记录的音频信号、表达所述音频信号内容的文本信息、由所述音频信号转换的频谱特征，包括：

从预设的语料库中提取所述第一说话者在指定风格下说话时记录的音频信号、表达所述音频信号内容的文本信息；

将所述第一说话者对应的所述音频信号转换为频谱特征；

录制所述第二说话者说话时记录的、指定数量的音频信号，所述数量小于或等于预设的阈值；

对所述音频信号标记所述第二说话者的风格；

生成所述音频信号内容的文本信息；

将所述第二说话者对应的所述音频信号转换为频谱特征。