[发明专利]语音合成方法、装置、可读介质及电子设备

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：

获取待合成文本和指定情感类型；

提取所述待合成文本对应的音素序列，所述音素序列中包括多个音素；

将所述音素序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，所述目标音频中每个所述音素对应的音频帧，与声学特征序列中该音素对应的声学特征匹配，所述声学特征序列为所述语音合成模型根据所述音素序列确定的，所述声学特征序列包括每个所述音素对应的声学特征，所述声学特征用于指示该音素的韵律特征。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取指定说话人对应的音色编码；

所述将所述音素序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，包括：

将所述音素序列、所述指定情感类型和所述音色编码，输入所述语音合成模型，以得到所述语音合成模型输出的所述目标音频，所述目标音频具有所述指定说话人的音色，所述语音合成模型为根据多个说话人对应的语料训练得到的，所述多个说话人包括所述指定说话人。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取指定声学特征序列，所述指定声学特征序列包括每个所述音素对应的指定声学特征；

所述将所述音素序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，包括：

将所述音素序列、所述指定情感类型和所述指定声学特征序列，输入所述语音合成模型，以得到所述语音合成模型输出的所述目标音频，所述目标音频中每个所述音素对应的音频帧，与所述指定声学特征序列中该音素对应的指定声学特征匹配。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述语音合成模型用于：

根据所述音素序列确定所述待合成文本对应的文本特征序列，所述文本特征序列包括每个所述音素对应的文本特征；

根据所述文本特征序列，确定所述声学特征序列；

确定所述指定情感类型对应的指定情感特征，并将所述指定情感特征按照所述音素序列进行扩展，得到情感特征序列；

根据所述文本特征序列、所述声学特征序列和所述情感特征序列，生成所述目标音频。

5.根据权利要求4所述的方法，其特征在于，所述语音合成模型中包括预先训练的多个全局风格标志GST，所述确定所述指定情感类型对应的指定情感特征，包括：

确定所述指定情感类型的情感编码；

将所述指定情感类型的情感编码作为多个所述GST的加权系数，以得到所述指定情感特征。

6.根据权利要求1所述的方法，其特征在于，所述声学特征包括：基频、音量、语速中的至少一种。

7.根据权利要求1-3中任一项所述的方法，其特征在于，所述语音合成模型是通过如下方式训练获得的：

根据训练文本对应的训练音频，和所述训练文本对应的训练音素序列，确定真实声学特征序列，所述真实声学特征序列中包括：所述训练音素序列中每个训练音素对应的真实声学特征；

获取情感音频，所述情感音频具有的情感类型，与所述训练音频具有的情感类型相同；

将所述训练音素序列、所述情感音频、所述真实声学特征序列输入所述语音合成模型，并根据所述语音合成模型的输出与所述训练音频，训练所述语音合成模型，所述语音合成模型用于根据所述情感音频，确定训练情感特征，所述训练情感特征用于表征所述情感音频具有的情感类型。