[发明专利]一种语音合成方法、装置、终端设备及存储介质

权利要求书

1.一种语音合成方法，其特征在于，包括：

获取待处理文本的声学特征；

利用并行计算模型对所述声学特征进行处理，得到所述待处理文本的第一音频信息，其中，所述第一音频信息包括各个采样时刻对应的音频；

利用串行计算模型对所述声学特征和所述第一音频信息进行处理，得到所述各个采样时刻对应的第一音频信息的残差值；

基于第i个采样时刻对应的第一音频信息和所述第i个采样时刻对应的残差值，得到所述第i个采样时刻对应的第二音频信息，所述待处理文本的合成音频包括各个第二音频信息，其中，i＝1，2……n，n为所述采样时刻的总个数。

2.如权利要求1所述的语音合成方法，其特征在于，在所述获取待处理文本的声学特征之后，包括：

对所述声学特征进行采样处理，得到处理后的声学特征；

相应的，利用并行计算模型对所述声学特征进行处理，得到所述待处理文本的第一音频信息，包括：

利用并行计算模型对所述处理后的声学特征进行处理，得到所述待处理文本的第一音频信息。

3.如权利要求2所述的语音合成方法，其特征在于，所述对所述声学特征进行采样处理，得到处理后的声学特征，包括：

若所述声学特征的采样率小于预设的所述待处理文本的合成音频的采样率，基于所述声学特征的采样率与所述待处理文本的合成音频的采样率的比值，对所述声学特征进行升采样处理，得到处理后的声学特征。

4.如权利要求1所述的语音合成方法，其特征在于，所述利用串行计算模型对所述声学特征和所述第一音频信息进行处理，得到所述各个采样时刻对应的第一音频信息的残差值，包括：

利用串行计算模型对第1个采样时刻对应的第一音频信息、所述第1个采样时刻对应的声学特征和预设的残差值进行处理，得到第1个采样时刻对应的第一音频信息的残差值；

利用串行计算模型对第j个采样时刻对应的第一音频信息、所述第j个采样时刻对应的声学特征和第j-1个采样时刻对应的残差值进行处理，得到第j个采样时刻对应的第一音频信息的残差值，其中，j＝2，3……n。

5.如权利要求1至4任一项所述的语音合成方法，其特征在于，所述基于第i个采样时刻对应的第一音频信息和所述第i个采样时刻对应的残差值，得到所述第i个采样时刻对应的第二音频信息，包括：

计算第i个采样时刻对应的第一音频信息和所述第i个采样时刻对应的残差值之和；

将第i个采样时刻对应的第一音频信息和所述第i个采样时刻对应的残差值之和作为所述第i个采样时刻对应的第二音频信息。

6.如权利要求1所述的语音合成方法，其特征在于，所述获取待处理文本的声学特征，包括：

将所述待处理文本输入声学特征提取模型，得到所述待处理文本的声学特征。

7.如权利要求2所述的语音合成方法，其特征在于，所述对所述声学特征进行采样处理，得到处理后的声学特征，包括：

若所述声学特征的采样率大于预设的所述待处理文本的合成音频的采样率，基于所述声学特征的采样率与所述待处理文本的合成音频的采样率的比值，对所述声学特征进行降采样处理，得到处理后的声学特征。

8.一种语音合成装置，其特征在于，包括：

数据获取模块，用于获取待处理文本的声学特征；

第一模型处理模块，用于利用并行计算模型对所述声学特征进行处理，得到所述待处理文本的第一音频信息，其中，所述第一音频信息包括各个采样时刻对应的音频；

第二模型处理模块，用于利用串行计算模型对所述声学特征和所述第一音频信息进行处理，得到所述各个采样时刻对应的第一音频信息的残差值；

音频生成模块，用于基于第i个采样时刻对应的第一音频信息和所述第i个采样时刻对应的残差值，得到所述第i个采样时刻对应的第二音频信息，所述待处理文本的合成音频包括各个第二音频信息，其中，i＝1，2……n，n为所述采样时刻的总个数。