[发明专利]语音合成方法、装置、电子设备和存储介质

权利要求书

1.一种语音合成方法，包括：

获取待合成文本以及获取目标用户的语音特征，并根据所述待合成文本和所述语音特征，获取预测的第一声学特征；

根据所述待合成文本，从模板音频库中获取目标模板音频，并提取所述目标模板音频的第二声学特征；

将所述第一声学特征和所述第二声学特征进行拼接，生成目标声学特征；

基于所述目标声学特征和所述语音特征，对所述待合成文本进行语音合成，以生成所述待合成文本的目标语音；

所述获取目标用户的语音特征，包括：

获取所述目标用户的标识信息；

根据所述标识信息，获取所述目标用户的语音特征；

所述将所述第一声学特征和所述第二声学特征进行拼接，生成目标声学特征，包括：

获取所述目标模板音频对应的目标模板文本；

获取所述待合成文本与所述目标模板文本之间的重合文本和差异文本；

从所述第一声学特征中提取所述差异文本对应的目标第一声学特征，并从所述第二声学特征中提取所述重合文本对应的目标第二声学特征；

将所述目标第一声学特征和所述目标第二声学特征进行拼接，生成所述目标声学特征。

2.根据权利要求1所述的方法，其中，所述从所述第一声学特征中提取所述差异文本对应的目标第一声学特征，包括：

获取所述差异文本在所述待合成文本中的第一开始位置和第一结束位置；

从所述第一声学特征中提取所述第一开始位置至所述第一结束位置对应的声学特征，并将提取的所述声学特征作为所述目标第一声学特征；

所述从所述第二声学特征中提取所述重合文本对应的目标第二声学特征，包括：

获取所述重合文本在所述目标模板文本中的第二开始位置和第二结束位置；

从所述第二声学特征中提取所述第二开始位置至所述第二结束位置对应的声学特征，并将提取的所述声学特征作为所述目标第二声学特征。

3.根据权利要求1所述的方法，其中，所述语音特征包括风格特征和音色特征；

所述根据所述待合成文本和所述语音特征，获取预测的第一声学特征，包括：

根据所述待合成文本和所述风格特征，获取所述第一声学特征。

4.根据权利要求3所述的方法，其中，所述根据所述待合成文本和所述风格特征，获取所述第一声学特征，包括：

对所述待合成文本进行向量化处理，得到向量特征；

对所述向量特征依次进行卷积处理和双向时间循环处理，得到所述待合成文本的文本特征；

将所述文本特征和所述风格特征进行拼接，得到第一拼接特征；

对所述第一拼接特征依次进行卷积处理、双向时间循环处理和线性处理，得到所述第一声学特征。

5.根据权利要求3所述的方法，其中，所述基于所述目标声学特征和所述语音特征，对所述待合成文本进行语音合成，以生成所述待合成文本的目标语音，包括：

将所述待合成文本的文本特征、所述音色特征和所述目标声学特征进行拼接，生成第二拼接特征；

基于所述第二拼接特征合成所述目标语音。

6.根据权利要求5所述的方法，其中，所述方法还包括：

将所述待合成文本、所述目标模板音频和所述语音特征输入至目标语音合成模型，所述目标语音合成模型包括特征预测层、第一特征提取层、第二特征提取层、特征拼接层和语音合成层；

由所述特征预测层根据所述待合成文本和所述语音特征，获取所述第一声学特征；

由所述第一特征提取层提取所述目标模板音频的所述第二声学特征；

由所述第二特征提取层提取所述待合成文本的所述文本特征；

由所述特征拼接层将所述第一声学特征、所述第二声学特征进行拼接，生成所述目标声学特征，并将所述文本特征、所述音色特征和所述目标声学特征进行拼接，生成所述第二拼接特征；

由所述语音合成层基于所述第二拼接特征合成所述目标语音。