CN108182936A - 语音信号生成方法和装置 - Google Patents
语音信号生成方法和装置 Download PDFInfo
- Publication number
- CN108182936A CN108182936A CN201810209741.9A CN201810209741A CN108182936A CN 108182936 A CN108182936 A CN 108182936A CN 201810209741 A CN201810209741 A CN 201810209741A CN 108182936 A CN108182936 A CN 108182936A
- Authority
- CN
- China
- Prior art keywords
- sample
- voice
- voice signal
- signal
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 150
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 150
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 230000006870 function Effects 0.000 claims description 39
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000005236 sound signal Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请实施例公开了语音信号生成方法和装置。该方法的一具体实施方式包括：获取待转换为语音信号的合成文本；采用已训练的参数合成模型对合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，声学特征包括基频信息和频谱特征；将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出合成文本对应的语音信号；语音信号生成模型是基于参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从第一样本语音信号中提取出的基频信息训练得出的；参数合成模型是基于第二样本语音库训练得出的。该实施方式提升了合成语音的质量。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及语音技术领域，尤其涉及语音信号生成方法和装置。
背景技术
人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式·做出反应的智能机器，该领域的研究包括机器人、语音识别、语音合成、图像识别、自然语言处理和专家系统等。其中，语音合成技术是计算机科学领域与人工智能领域中的一个重要方向。
语音合成的目的实现从文本到语音，是将计算机合成的、或者外部输入的文本转变为口语输出的技术，具体是将文本转换为对应的语音信号波形的技术。在语音合成过程中，需要采用声码器对语音信号的波形建模。通常声码器训练时采用从自然语音中提取的声学特征作为条件信息，模拟出满足自然语音的声学特征的语音信号波形。
发明内容
本申请实施例提出了语音信号生成方法和装置。
第一方面，本申请实施例提供了一种语音信号生成方法，包括：获取待转换为语音信号的合成文本；采用已训练的参数合成模型对合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，声学特征包括基频信息和频谱特征；将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出合成文本对应的语音信号；其中，语音信号生成模型是基于参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从第一样本语音信号中提取出的基频信息训练得出的；参数合成模型是基于第二样本语音库训练得出的，第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。
在一些实施例中，上述方法还包括：基于第一样本语音库，采用机器学习方法训练语音信号生成模型，其中，第一样本语音库包括多条第一样本语音信号以及各第一样本语音信号对应的文本；基于第一样本语音库，采用机器学习方法训练语音信号生成模型，包括：将第一样本语音库中的各第一样本语音信号对应的文本输入已训练的参数合成模型，以对第一样本语音库中的各第一样本语音信号的频谱特征、以及各第一样本语音信号所包含的语音状态的状态时长信息进行预测；获取对第一样本语音信号进行基频提取得到的基频信息；将第一样本语音信号的基频信息、预测出的第一样本语音信号的频谱特征、预测出的第一样本语音信号所包含的各语音状态的状态时长信息作为条件信息，将条件信息输入待训练的语音信号生成模型，生成满足条件信息的目标语音信号；根据目标语音信号与对应的第一样本语音信号之间的差异，迭代调整语音信号生成模型的参数，以使目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件。
在一些实施例中，上述根据目标语音信号与对应的第一样本语音信号之间的差异，迭代调整语音信号生成模型的参数，以使目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件，包括：基于目标语音信号与对应的第一样本语音信号之间的差异构建回归损失函数；计算回归损失函数的值是否小于预设的阈值；若否，计算语音信号生成模型中各个参数相对于回归损失函数的梯度，采用反向传播算法迭代更新语音信号生成模型的参数，以使回归损失函数的值小于预设的阈值。
在一些实施例中，上述方法还包括：基于第二样本语音库，采用机器学习方法训练参数合成模型，包括：获取第二样本语音库中的第二样本语音的声学特征的标记结果和第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；将第二样本语音库中的第二样本语音信号对应的文本输入待训练的参数合成模型，以对第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息进行预测；根据第二样本语音库中所包含的第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果与参数合成模型对第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异，迭代调整待训练的参数合成模型的参数，以使第二样本语音库中所包含的第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态信息的标记结果与参数合成模型对第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异满足预设的第二收敛条件。
在一些实施例中，上述第二样本语音库中的第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息是按照如下方式标记的：利用隐马尔可夫模型对第二样本语音库中的第二样本语音信号进行语音状态切分，得到第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；提取第二样本语音信号的基频信息和频谱特征，作为第二样本语音信号的基频信息和频谱特征的标记结果。
第二方面，本申请实施例提供了一种语音信号生成装置，包括：获取单元，用于获取待转换为语音信号的合成文本；预测单元，用于采用已训练的参数合成模型对合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，声学特征包括基频信息和频谱特征；生成单元，用于将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出合成文本对应的语音信号；其中，语音信号生成模型是基于参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从第一样本语音信号中提取出的基频信息训练得出的；参数合成模型是基于第二样本语音库训练得出的，第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。
在一些实施例中，上述装置还包括：第一训练单元，用于基于第一样本语音库，采用机器学习方法训练语音信号生成模型，其中，第一样本语音库包括多条第一样本语音信号以及各第一样本语音信号对应的文本；第一训练单元用于按照如下方式训练语音信号生成模型：将第一样本语音库中的各第一样本语音信号对应的文本输入已训练的参数合成模型，以对第一样本语音库中的各第一样本语音信号的频谱特征、以及各第一样本语音信号所包含的语音状态的状态时长信息进行预测；获取对第一样本语音信号进行基频提取得到的基频信息；将第一样本语音信号的基频信息、预测出的第一样本语音信号的频谱特征、预测出的第一样本语音信号所包含的各语音状态的状态时长信息作为条件信息，将条件信息输入待训练的语音信号生成模型，生成满足条件信息的目标语音信号；根据目标语音信号与对应的第一样本语音信号之间的差异，迭代调整语音信号生成模型的参数，以使目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件。
在一些实施例中，上述第一训练单元用于按照如下方式迭代调整语音信号生成模型的参数，以使目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件：基于目标语音信号与对应的第一样本语音信号之间的差异构建回归损失函数；计算回归损失函数的值是否小于预设的阈值；若否，计算语音信号生成模型中各个参数相对于回归损失函数的梯度，采用反向传播算法迭代更新语音信号生成模型的参数，以使回归损失函数的值小于预设的阈值。
在一些实施例中，上述装置还包括：第二训练单元，用于基于第二样本语音库，采用机器学习方法训练参数合成模型；第二训练单元用于按照如下方式训练参数合成模型：获取第二样本语音库中的第二样本语音的声学特征的标记结果和第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；将第二样本语音库中的第二样本语音信号对应的文本输入待训练的参数合成模型，以对第二样本语音信号的声学特征进行预测；根据第二样本语音库中所包含的第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果与参数合成模型对第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异，迭代调整待训练的参数合成模型的参数，以使第二样本语音库中所包含的第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果与参数合成模型对第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异满足预设的第二收敛条件。
在一些实施例中，上述第二样本语音库中的第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息是按照如下方式标记的：利用隐马尔可夫模型对第二样本语音库中的第二样本语音信号进行语音状态切分，得到第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；提取第二样本语音信号的基频信息和频谱特征，作为第二样本语音信号的基频信息和频谱特征的标记结果。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的语音信号生成方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的语音信号生成方法。
本申请上述实施例的语音信号生成方法和装置，通过获取待转换为语音信号的合成文本，随后采用已训练的参数合成模型对语音信号生成装置合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，语音信号生成装置声学特征包括：基频信息和频谱特征，之后将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出语音信号生成装置合成文本对应的语音信号，其中，语音信号生成装置语音信号生成模型是基于语音信号生成装置参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从语音信号生成装置第一样本语音信号中提取出的基频信息训练得出的；语音信号生成装置参数合成模型是基于第二样本语音库训练得出的，语音信号生成装置第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果，实现了语音信号质量的提升。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的语音信号生成方法的一个实施例的流程图；
图3是根据本申请的语音信号生成模型的训练方法的一个实施例的流程图；
图4是根据本申请的参数合成模型训练方法的一个实施例的流程图；
图5是根据本申请的语音信号生成装置的一个结构示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的语音信号生成方法或语音信号生成装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104、以及服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102、103通过网络104与服务器105互，以接收或发送消息等。终端设备101、102、103上可以安装有各种语音交互类应用。
终端设备101、102、103可以是具有音频输入接口和音频输出接口并支持互联网访问的各种电子设备，包括但不限于智能手机、平板电脑、智能手表、电子书、智能音箱等。
服务器105可以是为语音服务提供支持的语音服务器，语音服务器可以接收终端设备101、102、103发出的语音交互请求，并对语音交互请求进行解析，根据解析结果查找相应的文本数据，并采用语音合成方法生成语音响应信号，将生成的语音响应信号返回给终端设备101、102、103。终端设备101、102、103接收到语音响应信号之后，可以向用户输出语音响应信号
需要说明的是，本申请实施例所提供的语音信号生成方法可以由终端设备101、102、103或服务器105执行，相应地，语音信号生成装置可以设置于终端设备101、102、103或服务器105中。
应该理解，图1中的终端设备、网络、服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、服务器。
继续参考图2，其示出了根据本申请的语音信号生成方法的一个实施例的流程200。该语音信号生成方法，包括以下步骤：
步骤201，获取待转换为语音信号的合成文本。
在本实施例中，上述语音信号生成方法运行于其上的电子设备可以通过各种方式获取待转换为语音信号的合成文本。在这里，合成文本是机器合成的、非自然人生成的文本。具体来说，上述电子设备可以响应于其他设备发出的语音合成请求而接收该设备发送的待转换为语音信号的合成文本，上述电子设备也可以作为提供语音服务的电子设备，在提供语音服务时获取响应于用户的语音请求而查找到的文本数据作为待转换为语音信号的合成文本。可选地，上述待转换为语音信号的合成文本可以是经过正则化处理后的合成文本，在这里，正则化处理是将文字转换为标准规范文本的处理，例如在汉语的文本正则化处理中，需要将数字、符号等转换为汉字，诸如将“110”转换为“幺幺零”或“一百一十”，将“12:11”转换为“十二比十一”或“十二点十一分”等。
在语音服务场景中，用户在向提供语音服务的设备(例如智能音箱或智能手机)发出语音请求之后，提供语音服务的设备可以在本地查询相关信息或向语音服务器发送处理请求以便语音服务器查询相关信息，然后利用查询到的信息生成响应信息。通常提供语音服务的设备或语音服务器可以直接生成文本形式的响应信息，之后，需要对文本形式的响应信息进行TTS(Text to Speech，文本到语音)处理，以将文本形式的响应信息转换为语音形式的响应信息来对用户的语音请求进行响应。这时，上述语音信号生成方法运行于其上的电子设备可以获取该文本形式的响应信息作为待转换为语音信号的合成文本。
步骤202，采用已训练的参数合成模型对所述合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测。
参数合成模型可以预测出文本对应的语音信号的声学特征。在本实施例中，可以将待转换为语音信号的合成文本输入已训练的参数合成模型，得到待转换为语音信号的合成文本的声学特征和所包含的语音状态的状态时长信息。在这里，声学特征可以包括：基频信息和频谱特征。
上述参数合成模型可以是用于合成文本对应的语音信号的参数的模型，在这里，语音信号的参数可以包括语音信号的声学特征和语音信号所包含的语音状态的状态时长信息。该参数合成模型可以是基于第二样本语音库训练得出的。第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。在这里，第二样本语音信号可以是作为训练样本的文本对应的语音信号。
用于训练参数合成模型的第二样本语音库可以按照如下方式构建：采集自然语音信号作为第二样本语音信号，对自然语音信号进行语音识别得出文本，对自然语音信号进行声学特征和语音状态的状态时长特征提取作为该文本对应的语音信号的声学特征和所包含的语音状态的状态时长信息的标记结果。或者，第二样本语音库也可以按照如下方式构建：首先给定文本，录制一个或多个发音人在给定文本下的朗读语音得到第二样本语音信号，然后对第二样本语音信号进行声学特征和语音状态的状态时长特征提取作为该给定文本对应的语音信号的声学特征和所包含的语音状态的状态时长信息的标记结果。在训练时，可以构建参数合成模型的架构，将第二样本语音库中的文本输入参数合成模型，利用参数合成模型对输入的文本对应的语音信号的声学特征和语音状态的状态时长进行预测，然后比对参数合成模型的预测结果和标记结果，通过调整参数使得参数合成模型的预测结果逼近标记结果，得到训练完成的参数合成模型。
上述基频信息是基音的频率。语音信号所包含的语音状态的状态时长信息是指语音信号中每个语音状态的状态时长。通常一段语音信号由多个音素组成，每个音素对应多个帧，每帧对应一个语音状态。每个音素可以包含多个语音状态，每个语音状态可以持续一个或多个帧。语音状态的时长信息即语音状态持续的时间长度，通常各个帧的时间长度是固定的(例如10ms)，可以根据每个语音状态对应的帧的数量确定出该语音状态的状态时长信息。频谱特征可以是将语音信号转换到频域后提取出的频域特征，例如可以包括梅尔倒谱系数(mel-cepstral coefficients,MCC)。
在本实施例的一些可选的实现方式中，上述第二样本语音库中的第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息可以是按照如下方式标记的：利用隐马尔可夫模型对第二样本语音库中的第二样本语音信号进行语音状态切分，得到第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；提取第二样本语音信号的基频信息和频谱特征，作为第二样本语音信号的基频信息和频谱特征的标记结果。
具体来说，可以利用隐马尔可夫模型对第二样本语音信号建模，将第二样本语音信号的语音帧进行切分，得到多个语音状态，获取每个语音状态的时长信息，然后采用声码器对第二样本语音信号的频域信号进行基频信息和频谱特征的提取，得到第二样本语音信号的基频信息和频谱特征的标记结果。
步骤203，将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出合成文本对应的语音信号。
在本实施例中，可以将上述参数合成模型预测出的上述合成文本对应的语音信号的声学特征和预测出的语音状态的状态时长信息输入语音信号生成模型，语音信号生成模型可以根据该合成文本对应的语音信号的声学特征和包含的语音状态的状态时长信息来合成对应的语音信号。
上述语音信号生成模型是基于参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从第一样本语音信号中提取出的基频信息训练得出的。第一样本语音库可以包括多条第一样本语音，以及各第一样本语音对应的文本。在训练语音信号生成模型时，可以将第一样本语音信号对应的文本、基于参数合成模型预测出的语音状态的状态时长信息、频谱特征以及从第一样本语音信号提取出的基频信息(可例如为采用参数合成模型预测出的基频信息)作为语音信号生成模型的输入，得到预测出的语音信号，然后调整语音信号生成模型的参数，使得预测出的语音信号与输入的文本对应的第一样本语音信号之间的差异不断缩小，从而使得语音信号生成模型学习到由第一样本语音信号对应的文本转换为第一样本语音信号的能力，语音信号生成模型生成的语音信号的质量与第一样本语音信号的质量相近，实现了语音合成信号质量的提升。
本申请上述实施例的语音信号生成方法，语音信号生成模型是基于参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从第一样本语音信号中提取出的基频信息训练得出的，即语音信号生成模型在训练过程中，输入的频谱特征和语音状态的状态时长信息是由参数合成模型预测出的，而不是直接从自然语音中利用声码器提取出的，在实际使用过程中，也是将参数合成模型对频谱特征的预测结果和提取出的基频信息转换为合成语音，因而语音信号生成模型的训练过程和实际使用过程更加匹配，因而训练得出的语音信号生成模型具有更强的泛化能力，从而可以提升合成的语音信号的质量。
在本实施例的一些可选的实现方式中，上述语音信号生成方法还可以包括：基于第一样本语音库，采用机器学习方法训练语音信号生成模型，其中，第一样本语音库包括多条第一样本语音信号以及各第一样本语音信号对应的文本。
具体地，参考图3，其示出了根据本申请的语音信号生成模型的训练方法的一个实施例的流程图。如图3所示，该语音信号生成模型的训练方法的流程300，包括以下步骤：
步骤301，将第一样本语音库中的各第一样本语音信号对应的文本输入已训练的参数合成模型，以对第一样本语音库中的各第一样本语音信号的频谱特征、以及各第一样本语音信号所包含的语音状态的状态时长信息进行预测。
在本实施例中，上述语音信号生成方法运行于其上的电子设备可以获取第一样本语音库，将第一样本语音库中的第一样本语音对应的文本输入参数合成模型来进行声学特征预测。该参数合成模型可以是上述基于第二样本语音库训练得出的。参数合成模型可以预测出输入的文本对应的声学特征，包括对应的语音信号所包含的语音状态的状态时长信息、对应的语音信号的频谱特征以及对应的语音信号的基频信息。
在这里，第一样本语音库中的第一样本语音可以是自然语音，第一样本语音可以是录制的特定的发音人在给定文本下朗读的语音信号；第一样本语音也可以是采集的未给定文本的自然语音信号，其对应的文本可以是人工对第一样本语音识别并标记的，也可以是利用语音识别技术识别出的文本。
第一样本语音库中的第一样本语音还可以是已经专家鉴定的、质量良好的合成语音。在历史语音服务中，每次合成语音信号之后，可以由专家对语音信号的质量进行评估，根据评估结果选择质量较好的合成语音加入作为第一样本语音信号，添加至第一样本语音库中。
步骤302，获取对第一样本语音信号进行基频提取得到的基频信息。
可以对第一样本语音库中的第一样本语音信号进行基频提取，得到第一样本语音信号的基频信息。可以采用诸如倒谱分析、离散小波变化等方法从第一样本语音信号的频域信号中提取出基频信息，也可以采用诸如统计单位时间内的峰值数量、平均幅度差等方法从第一样本语音信号的时域信号中提取出基频信息。
步骤303，将第一样本语音信号的基频信息、预测出的第一样本语音信号的频谱特征、预测出的第一样本语音信号所包含的各语音状态的状态时长信息作为条件信息，将条件信息输入待训练的语音信号生成模型，生成满足条件信息的目标语音信号。
在本实施例中，可以将第一样本语音库中第一样本语音信号对应的文本、参数合成模型对第一样本语音信号对应的文本预测出的频谱特征和所包含的各语音状态的状态时长信息、以及步骤302获取的第一语音信号的基频信息输入待训练的语音信号生成模型，生成对第一样本语音信号对应的文本预测得出的目标语音信号。该目标语音信号是合成的语音信号，是满足输入的频谱特征、所包含的各语音状态的状态时长信息以及获取的基频信息的语音信号。
语音信号生成模型可以是基于卷积神经网络的模型，包括多个卷积层。可选地，语音信号生成模型可以是全卷积神经网络模型。在本实施例中，上述参数合成模型对第一样本语音信号对应的文本预测出的频谱特征和所包含的各语音状态的状态时长信息以及获取的第一样本语音信号的基频信息可以作为语音信号生成模型的条件信息，以使语音信号生成模型在训练过程中输出的语音信号满足该条件信息。
步骤304，根据目标语音信号与对应的第一样本语音信号之间的差异，迭代调整语音信号生成模型的参数，以使目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件。
在本实施例中，可以计算目标语音信号与对应的第一样本语音信号之间的差异，具体可以统计输入的各文本对应的目标语音信号与第一样本语音信号之间的差异，然后判断该差异是否满足预设的第一收敛条件。若该差异不满足预设的第一收敛条件，可以调整语音信号生成模型的参数，例如调整卷积神经网络中的共享权值、共享偏置值等，从而更新语音信号生成模型。之后可以将第一样本语音信号对应的文本、参数合成模型预测出的第一样本语音信号对应的文本的频谱特征、语音状态的时长信息以及第一样本语音信号的基频信息输入更新后的语音信号生成模型，生成新的目标语音信号，之后迭代执行计算目标语音信号与对应的第一样本语音信号之间的差异、根据差异调整语音信号生成模型的参数、重新预测目标语音信号的步骤，直到生成的目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件。在这里，预设的第一收敛条件可以是用于表征该差异的值小于第一预设阈值，预设的第一收敛条件还可以是最后N(N为大于1的整数)次迭代之间的差异小于第二预设阈值。
在本实施例的一些可选的实现方式中，可以基于目标语音信号与对应的第一样本语音信号构建回归损失函数，该回归损失函数的值可以为用于表征第一样本语音库中各第一样本语音信号与对应的目标语音信号的差异的累加值或平均值。在执行步骤303生成第一样本语音信号对应的目标语音信号之后，可以计算回归损失函数的值，并判断回归损失函数是否小于预设的阈值。若回归损失函数的值不小于预设的阈值，则可以计算语音信号生成模型中各个参数相对于回归损失函数的梯度，采用反向传播算法迭代更新所述语音信号生成模型的参数，以使回归损失函数的值小于预设的阈值。在这里，可以采用梯度下降法，计算回归损失函数对语音信号生成模型中的参数的梯度，然后根据梯度确定语音信号生成模型的参数的变化量，将参数与其变化量叠加形成更新后的参数，之后利用更新参数后的语音信号生成模型预测出新的目标语音信号，如此往复，当某一次迭代之后回归损失函数的值小于预设的阈值时，可以停止迭代，不再更新语音信号生成模型的参数，从而得到训练完成的语音信号生成模型。
上述语音信号生成模型的训练方法的实施例，通过采用包含第一样本语音信号对应的文本的第一样本语音库作为训练集，将第一样本语音信号作为文本对应的语音的标记结果，在训练过程中不断调整模型参数使语音信号生成模型输出的目标语音信号与对应的第一样本语音信号之间的差异不断缩小，从而使得语音信号生成模型输出更接近于自然语音的信号，提升输出的语音信号的质量。并且，上述语音信号生成模型的训练过程中，利用参数合成模型预测出的频谱特征和状态时长信息作为信号生成模型的条件信息，与实际场景中应用于合成文本的语音信号转换时所采用的条件信息生成方式一致，则语音信号生成模型在对训练集外的文本进行语音合成时，由于输入的特征与训练时输入的特征更匹配，可以达到更自然的语音合成效果。
在一些实施例中，上述语音信号生成方法还可以包括：基于第二样本语音库，采用机器学习方法训练参数合成模型，在这里，第二样本语音库可以包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。第二样本语音库可以与上述第一样本语音库完全相同，或者二者包含一部分相同的样本语音，或者第二样本语音库中的第二样本语音可以与第一样本语音库中的第一样本语音完全不相同。在这里，第二样本语音库可以是质量较好的自然语音。
请参考图4，其示出了根据本申请的参数合成模型的训练方法的一个实施例的流程图。如图4所示，该参数合成模型的训练方法的流程400，包括以下步骤：
步骤401，获取第二样本语音库中的第二样本语音的声学特征的标记结果和第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。
在这里，第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的标记结果可以是将第二样本语音输入基于统计特性的声学统计模型得出的。可选地，第二样本语音信号的声学特征可以是按照如下方式标记的：利用隐马尔可夫模型对第二样本语音库中的第二样本语音信号进行语音状态切分，得到第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；提取第二样本语音信号的基频信息和频谱特征，作为第二样本语音信号的基频信息和频谱特征的标记结果。
步骤402，将第二样本语音库中的第二样本语音信号对应的文本输入待训练的参数合成模型，以对第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息进行预测。
第二样本语音库中的第二样本语音信号对应的文本可以是采用语音识别方法识别出的，也可以是人工标记的或预先设定的。在本实施例中，可以获取第二样本语音对应的文本并输入待训练的参数合成模型进行声学特征和语音状态的状态时长预测。
待训练的参数合成模型可以是各种机器学习模型，如基于卷积神经网络、循环神经网络等神经网络构建的模型，还可以是诸如隐马尔科夫模型、逻辑回归模型等。待训练的参数合成模型用于合成语音信号的声学参数，即预测语音信号的声学特征。声学特征可以包括基频信息和频谱特征。
在本实施例中，可以确定待训练的参数合成模型的初始参数，将各第二样本语音信号对应的文本输入该确定了初始参数的参数合成模型，得到各第二样本语音信号对应的文本的声学特征和语音状态的状态时长信息。
步骤403，根据第二样本语音库中所包含的第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果与参数合成模型对第二样本语音信号的声学特征特征和所包含的语音状态的状态时长信息的预测结果之间的差异，迭代调整待训练的参数合成模型的参数，以使第二样本语音库中所包含的第二样本语音信号的声学特征和所述第二样本语音信号所包含的语音状态的状态信息的标记结果与参数合成模型对第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异满足预设的第二收敛条件。
可以比对步骤402中对第二样本语音信号对应的文本的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的预测结果与第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果，基于二者的差异构建损失函数，该损失函数的值用于表征第二样本语音信号对应的文本的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的预测结果与第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果之间的差异。可以采用反向传播算法迭代调整参数合成模型的参数，直到参数合成模型的预测结果与第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果之间的差异满足预设的第二收敛条件，即损失函数的值满足预设的第二收敛条件。在这里，预设的第二收敛条件可以包括达到预设的区间，或者最后M(M为大于1的正整数)次迭代之间的差异小于设定的值。这时，得到训练完成的参数合成模型。
上述参数合成模型的训练方法将利用隐马尔可夫模型、声码器提取出的第二语音信号的声学特征作为标记结果对参数合成模型不断修正，使训练得到的参数合成模型可以准确地预测出输入文本的声学特征。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种语音信号生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的语音信号生成装置500包括：获取单元501、预测单元502以及生成单元503。其中，获取单元501可以用于获取待转换为语音信号的合成文本；预测单元502可以用于采用已训练的参数合成模型对合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，声学特征包括：基频信息和频谱特征；生成单元503可以用于将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出合成文本对应的语音信号；其中，语音信号生成模型是基于参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从第一样本语音信号中提取出的基频信息训练得出的；参数合成模型是基于第二样本语音库训练得出的，第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。
在本实施例中，获取单元501可以响应于其他设备发出的语音合成请求而接收该设备发送的待转换为语音信号的合成文本，也可以将响应于用户的语音请求而查找到的文本数据作为待转换为语音信号的合成文本。该待转换为语音信号的合成文本可以是机器合成的文本。
上述参数合成模型可以是用于合成文本对应的语音信号的参数的模型，在这里，语音信号的参数可以包括语音信号的声学特征和语音信号所包含的语音状态的时长信息。预测单元502可以获取单元501获取的合成文本输入参数合成模型进行声学特征和语音状态时长预测。
生成单元503可以将预测单元502预测出的合成文本对应的语音信号的声学特征和语音状态的时长信息作为条件信息输入，来生成满足条件信息的语音信号。
在一些实施例中，装置500还可以包括：第一训练单元，用于基于第一样本语音库，采用机器学习方法训练语音信号生成模型，其中，第一样本语音库包括多条第一样本语音信号以及各第一样本语音信号对应的文本；第一训练单元用于按照如下方式训练语音信号生成模型：将第一样本语音库中的各第一样本语音信号对应的文本输入已训练的参数合成模型，以对第一样本语音库中的各第一样本语音信号的频谱特征、以及各第一样本语音信号所包含的语音状态的状态时长信息进行预测；获取对第一样本语音信号进行基频提取得到的基频信息；将第一样本语音信号的基频信息、预测出的第一样本语音信号的频谱特征、预测出的第一样本语音信号所包含的各语音状态的状态时长信息作为条件信息，将条件信息输入待训练的语音信号生成模型，生成满足条件信息的目标语音信号；根据目标语音信号与对应的第一样本语音信号之间的差异，迭代调整语音信号生成模型的参数，以使目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件。
在一些实施例中，上述第一训练单元用于按照如下方式迭代调整语音信号生成模型的参数，以使目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件：基于目标语音信号与对应的第一样本语音信号之间的差异构建回归损失函数；计算回归损失函数的值是否小于预设的阈值；若否，计算语音信号生成模型中各个参数相对于回归损失函数的梯度，采用反向传播算法迭代更新语音信号生成模型的参数，以使回归损失函数的值小于预设的阈值。
在一些实施例中，上述装置500还可以包括：第二训练单元，用于基于第二样本语音库，采用机器学习方法训练参数合成模型；第二训练单元用于按照如下方式训练参数合成模型：获取第二样本语音库中的第二样本语音的声学特征的标记结果和第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；将第二样本语音库中的第二样本语音信号对应的文本输入待训练的参数合成模型，以对第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息进行预测；根据第二样本语音库中所包含的第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果和参数合成模型对第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异，迭代调整待训练的参数合成模型的参数，以使第二样本语音库中所包含的第二样本语音信号的声学特征和第二样本语音信号所包含的语音状态的状态时长信息的标记结果与参数合成模型对第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异满足预设的第二收敛条件。
在一些实施例中，上述第二样本语音库中的第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息是按照如下方式标记的：利用隐马尔可夫模型对第二样本语音库中的第二样本语音信号进行语音状态切分，得到第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；提取第二样本语音信号的基频信息和频谱特征，作为第二样本语音信号的基频信息和频谱特征的标记结果。
装置500中记载的诸单元与参考图2、图3和图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。
本申请上述实施例的语音信号生成装置500，通过获取单元获取待转换为语音信号的合成文本，随后预测单元采用已训练的参数合成模型对合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，声学特征包括：基频信息和频谱特征，之后生成单元将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出合成文本对应的语音信号，其中，语音信号生成模型是基于参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从第一样本语音信号中提取出的基频信息训练得出的；参数合成模型是基于第二样本语音库训练得出的，第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果，实现了合成语音信号的质量的提升。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、预测单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待转换为语音信号的合成文本的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置获取待转换为语音信号的合成文本；采用已训练的参数合成模型对合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，声学特征包括基频信息和频谱特征；将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出合成文本对应的语音信号；其中，语音信号生成模型是基于参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从第一样本语音信号中提取出的基频信息训练得出的；参数合成模型是基于第二样本语音库训练得出的，第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种语音信号生成方法，包括：
获取待转换为语音信号的合成文本；
采用已训练的参数合成模型对所述合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，所述声学特征包括基频信息和频谱特征；
将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出所述合成文本对应的语音信号；
其中，所述语音信号生成模型是基于所述参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从所述第一样本语音信号中提取出的基频信息训练得出的；
所述参数合成模型是基于第二样本语音库训练得出的，所述第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。
2.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述第一样本语音库，采用机器学习方法训练所述语音信号生成模型，其中，所述第一样本语音库包括多条第一样本语音信号以及各第一样本语音信号对应的文本；
所述基于所述第一样本语音库，采用机器学习方法训练所述语音信号生成模型，包括：
将所述第一样本语音库中的各第一样本语音信号对应的文本输入所述已训练的参数合成模型，以对所述第一样本语音库中的各第一样本语音信号的频谱特征、以及各第一样本语音信号所包含的语音状态的状态时长信息进行预测；
获取对所述第一样本语音信号进行基频提取得到的基频信息；
将所述第一样本语音信号的基频信息、预测出的所述第一样本语音信号的频谱特征、预测出的所述第一样本语音信号所包含的各语音状态的状态时长信息作为条件信息，将所述条件信息输入待训练的语音信号生成模型，生成满足条件信息的目标语音信号；
根据所述目标语音信号与对应的第一样本语音信号之间的差异，迭代调整所述语音信号生成模型的参数，以使所述目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件。
3.根据权利要求2所述的方法，其中，所述根据所述目标语音信号与对应的第一样本语音信号之间的差异，迭代调整所述语音信号生成模型的参数，以使所述目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件，包括：
基于所述目标语音信号与对应的第一样本语音信号之间的差异构建回归损失函数；
计算所述回归损失函数的值是否小于预设的阈值；
若否，计算所述语音信号生成模型中各个参数相对于所述回归损失函数的梯度，采用反向传播算法迭代更新所述语音信号生成模型的参数，以使所述回归损失函数的值小于预设的阈值。
4.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述第二样本语音库，采用机器学习方法训练所述参数合成模型，包括：
获取所述第二样本语音库中的第二样本语音的声学特征的标记结果和第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；
将所述第二样本语音库中的第二样本语音信号对应的文本输入待训练的参数合成模型，以对所述第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息进行预测；
根据所述第二样本语音库中所包含的第二样本语音信号的声学特征和所述第二样本语音信号所包含的语音状态的状态时长信息的标记结果与所述参数合成模型对所述第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异，迭代调整所述待训练的参数合成模型的参数，以使所述第二样本语音库中所包含的第二样本语音信号的声学特征和所述第二样本语音信号所包含的语音状态的状态信息的标记结果与所述参数合成模型对所述第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异满足预设的第二收敛条件。
5.根据权利1-4任一项所述的方法，其中，所述第二样本语音库中的第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息是按照如下方式标记的：
利用隐马尔可夫模型对所述第二样本语音库中的第二样本语音信号进行语音状态切分，得到所述第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；
提取第二样本语音信号的基频信息和频谱特征，作为所述第二样本语音信号的基频信息和频谱特征的标记结果。
6.一种语音信号生成装置，包括：
获取单元，用于获取待转换为语音信号的合成文本；
预测单元，用于采用已训练的参数合成模型对所述合成文本对应的语音信号的声学特征和所包含的各语音状态的状态时长信息进行预测，所述声学特征包括基频信息和频谱特征；
生成单元，用于将预测出的声学特征和状态时长信息输入已训练的语音信号生成模型，输出所述合成文本对应的语音信号；
其中，所述语音信号生成模型是基于所述参数合成模型对第一样本语音库中的第一样本语音信号所包含的各语音状态的状态时长信息和第一样本语音信号的频谱特征的预测结果、以及从所述第一样本语音信号中提取出的基频信息训练得出的；
所述参数合成模型是基于第二样本语音库训练得出的，所述第二样本语音库包括多条第二样本语音信号、各第二样本语音信号对应的文本、各第二样本语音信号对应的声学特征的标记结果以及各第二样本语音信号所包含的各语音状态的状态时长信息的标记结果。
7.根据权利要求6所述的装置，其中，所述装置还包括：
第一训练单元，用于基于所述第一样本语音库，采用机器学习方法训练所述语音信号生成模型，其中，所述第一样本语音库包括多条第一样本语音信号以及各第一样本语音信号对应的文本；
所述第一训练单元用于按照如下方式训练所述语音信号生成模型：
将所述第一样本语音库中的各第一样本语音信号对应的文本输入所述已训练的参数合成模型，以对所述第一样本语音库中的各第一样本语音信号的频谱特征、以及各第一样本语音信号所包含的语音状态的状态时长信息进行预测；
获取对所述第一样本语音信号进行基频提取得到的基频信息；
将所述第一样本语音信号的基频信息、预测出的所述第一样本语音信号的频谱特征、预测出的所述第一样本语音信号所包含的各语音状态的状态时长信息作为条件信息，将所述条件信息输入待训练的语音信号生成模型，生成满足条件信息的目标语音信号；
根据所述目标语音信号与对应的第一样本语音信号之间的差异，迭代调整所述语音信号生成模型的参数，以使所述目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件。
8.根据权利要求7所述的装置，其中，所述第一训练单元用于按照如下方式迭代调整所述语音信号生成模型的参数，以使所述目标语音信号与对应的第一样本语音信号之间的差异满足预设的第一收敛条件：
基于所述目标语音信号与对应的第一样本语音信号之间的差异构建回归损失函数；
计算所述回归损失函数的值是否小于预设的阈值；
若否，计算所述语音信号生成模型中各个参数相对于所述回归损失函数的梯度，采用反向传播算法迭代更新所述语音信号生成模型的参数，以使所述回归损失函数的值小于预设的阈值。
9.根据权利要求6所述的装置，其中，所述装置还包括：
第二训练单元，用于基于所述第二样本语音库，采用机器学习方法训练所述参数合成模型；
所述第二训练单元用于按照如下方式训练所述参数合成模型：
获取所述第二样本语音库中的第二样本语音的声学特征的标记结果和第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；
将所述第二样本语音库中的第二样本语音信号对应的文本输入待训练的参数合成模型，以对所述第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息进行预测；
根据所述第二样本语音库中所包含的第二样本语音信号的声学特征和所述第二样本语音信号所包含的语音状态的状态时长信息的标记结果与所述参数合成模型对所述第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异，迭代调整所述待训练的参数合成模型的参数，以使所述第二样本语音库中所包含的第二样本语音信号的声学特征和所述第二样本语音信号所包含的语音状态的状态时长信息的标记结果与所述参数合成模型对所述第二样本语音信号的声学特征和所包含的语音状态的状态时长信息的预测结果之间的差异满足预设的第二收敛条件。
10.根据权利6-9任一项所述的装置，其中，所述第二样本语音库中的第二样本语音信号的声学特征和第二样本语音信号所包含的各语音状态的状态时长信息是按照如下方式标记的：
利用隐马尔可夫模型对所述第二样本语音库中的第二样本语音信号进行语音状态切分，得到所述第二样本语音信号所包含的各语音状态的状态时长信息的标记结果；
提取第二样本语音信号的基频信息和频谱特征，作为所述第二样本语音信号的基频信息和频谱特征的标记结果。
11.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810209741.9A CN108182936B (zh) | 2018-03-14 | 2018-03-14 | 语音信号生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810209741.9A CN108182936B (zh) | 2018-03-14 | 2018-03-14 | 语音信号生成方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108182936A true CN108182936A (zh) | 2018-06-19 |
| CN108182936B CN108182936B (zh) | 2019-05-03 |
Family
ID=62553558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810209741.9A Active CN108182936B (zh) | 2018-03-14 | 2018-03-14 | 语音信号生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108182936B (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108806665A (zh) * | 2018-09-12 | 2018-11-13 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| CN109308903A (zh) * | 2018-08-02 | 2019-02-05 | 平安科技（深圳）有限公司 | 语音模仿方法、终端设备及计算机可读存储介质 |
| CN109473091A (zh) * | 2018-12-25 | 2019-03-15 | 四川虹微技术有限公司 | 一种语音样本生成方法及装置 |
| CN109754779A (zh) * | 2019-01-14 | 2019-05-14 | 出门问问信息科技有限公司 | 可控情感语音合成方法、装置、电子设备及可读存储介质 |
| CN109979422A (zh) * | 2019-02-21 | 2019-07-05 | 百度在线网络技术（北京）有限公司 | 基频处理方法、装置、设备及计算机可读存储介质 |
| CN110517662A (zh) * | 2019-07-12 | 2019-11-29 | 云知声智能科技股份有限公司 | 一种智能语音播报的方法及系统 |
| CN111402855A (zh) * | 2020-03-06 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 语音合成方法、装置、存储介质和电子设备 |
| CN111429881A (zh) * | 2020-03-19 | 2020-07-17 | 北京字节跳动网络技术有限公司 | 声音复制方法、装置、可读介质及电子设备 |
| CN111739508A (zh) * | 2020-08-07 | 2020-10-02 | 浙江大学 | 一种基于dnn-hmm双模态对齐网络的端到端语音合成方法及系统 |
| CN111785247A (zh) * | 2020-07-13 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 语音生成方法、装置、设备和计算机可读介质 |
| CN111883104A (zh) * | 2020-07-08 | 2020-11-03 | 马上消费金融股份有限公司 | 语音切割方法、语音转换网络模型的训练方法及相关设备 |
| CN112289298A (zh) * | 2020-09-30 | 2021-01-29 | 北京大米科技有限公司 | 合成语音的处理方法、装置、存储介质以及电子设备 |
| CN112652293A (zh) * | 2020-12-24 | 2021-04-13 | 上海优扬新媒信息技术有限公司 | 语音合成模型训练及语音合成方法、装置及语音合成器 |
| CN113192482A (zh) * | 2020-01-13 | 2021-07-30 | 北京地平线机器人技术研发有限公司 | 语音合成方法及语音合成模型的训练方法、装置、设备 |
| CN113299272A (zh) * | 2020-02-06 | 2021-08-24 | 菜鸟智能物流控股有限公司 | 语音合成模型训练和语音合成方法、设备及存储介质 |
| CN113823257A (zh) * | 2021-06-18 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 语音合成器的构建方法、语音合成方法及装置 |
| WO2022017040A1 (zh) * | 2020-07-21 | 2022-01-27 | 思必驰科技股份有限公司 | 语音合成方法及系统 |
| CN116072098A (zh) * | 2023-02-07 | 2023-05-05 | 北京百度网讯科技有限公司 | 音频信号生成方法、模型训练方法、装置、设备和介质 |
| US11705106B2 (en) | 2019-07-09 | 2023-07-18 | Google Llc | On-device speech synthesis of textual segments for training of on-device speech recognition model |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101710488A (zh) * | 2009-11-20 | 2010-05-19 | 安徽科大讯飞信息科技股份有限公司 | 语音合成方法及装置 |
| US20130262087A1 (en) * | 2012-03-29 | 2013-10-03 | Kabushiki Kaisha Toshiba | Speech synthesis apparatus, speech synthesis method, speech synthesis program product, and learning apparatus |
| CN104392716A (zh) * | 2014-11-12 | 2015-03-04 | 百度在线网络技术（北京）有限公司 | 高表现力的语音合成方法和装置 |
| CN104538024A (zh) * | 2014-12-01 | 2015-04-22 | 百度在线网络技术（北京）有限公司 | 语音合成方法、装置及设备 |
| CN107452369A (zh) * | 2017-09-28 | 2017-12-08 | 百度在线网络技术（北京）有限公司 | 语音合成模型生成方法和装置 |
-
2018
- 2018-03-14 CN CN201810209741.9A patent/CN108182936B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101710488A (zh) * | 2009-11-20 | 2010-05-19 | 安徽科大讯飞信息科技股份有限公司 | 语音合成方法及装置 |
| US20130262087A1 (en) * | 2012-03-29 | 2013-10-03 | Kabushiki Kaisha Toshiba | Speech synthesis apparatus, speech synthesis method, speech synthesis program product, and learning apparatus |
| CN104392716A (zh) * | 2014-11-12 | 2015-03-04 | 百度在线网络技术（北京）有限公司 | 高表现力的语音合成方法和装置 |
| CN104538024A (zh) * | 2014-12-01 | 2015-04-22 | 百度在线网络技术（北京）有限公司 | 语音合成方法、装置及设备 |
| CN107452369A (zh) * | 2017-09-28 | 2017-12-08 | 百度在线网络技术（北京）有限公司 | 语音合成模型生成方法和装置 |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109308903A (zh) * | 2018-08-02 | 2019-02-05 | 平安科技（深圳）有限公司 | 语音模仿方法、终端设备及计算机可读存储介质 |
| CN108806665A (zh) * | 2018-09-12 | 2018-11-13 | 百度在线网络技术（北京）有限公司 | 语音合成方法和装置 |
| CN109473091A (zh) * | 2018-12-25 | 2019-03-15 | 四川虹微技术有限公司 | 一种语音样本生成方法及装置 |
| CN109473091B (zh) * | 2018-12-25 | 2021-08-10 | 四川虹微技术有限公司 | 一种语音样本生成方法及装置 |
| CN109754779A (zh) * | 2019-01-14 | 2019-05-14 | 出门问问信息科技有限公司 | 可控情感语音合成方法、装置、电子设备及可读存储介质 |
| CN109979422A (zh) * | 2019-02-21 | 2019-07-05 | 百度在线网络技术（北京）有限公司 | 基频处理方法、装置、设备及计算机可读存储介质 |
| US11978432B2 (en) | 2019-07-09 | 2024-05-07 | Google Llc | On-device speech synthesis of textual segments for training of on-device speech recognition model |
| US11705106B2 (en) | 2019-07-09 | 2023-07-18 | Google Llc | On-device speech synthesis of textual segments for training of on-device speech recognition model |
| CN110517662A (zh) * | 2019-07-12 | 2019-11-29 | 云知声智能科技股份有限公司 | 一种智能语音播报的方法及系统 |
| CN113192482B (zh) * | 2020-01-13 | 2023-03-21 | 北京地平线机器人技术研发有限公司 | 语音合成方法及语音合成模型的训练方法、装置、设备 |
| CN113192482A (zh) * | 2020-01-13 | 2021-07-30 | 北京地平线机器人技术研发有限公司 | 语音合成方法及语音合成模型的训练方法、装置、设备 |
| CN113299272B (zh) * | 2020-02-06 | 2023-10-31 | 菜鸟智能物流控股有限公司 | 语音合成模型训练和语音合成方法、设备及存储介质 |
| CN113299272A (zh) * | 2020-02-06 | 2021-08-24 | 菜鸟智能物流控股有限公司 | 语音合成模型训练和语音合成方法、设备及存储介质 |
| CN111402855B (zh) * | 2020-03-06 | 2021-08-27 | 北京字节跳动网络技术有限公司 | 语音合成方法、装置、存储介质和电子设备 |
| CN111402855A (zh) * | 2020-03-06 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 语音合成方法、装置、存储介质和电子设备 |
| CN111429881A (zh) * | 2020-03-19 | 2020-07-17 | 北京字节跳动网络技术有限公司 | 声音复制方法、装置、可读介质及电子设备 |
| CN111429881B (zh) * | 2020-03-19 | 2023-08-18 | 北京字节跳动网络技术有限公司 | 语音合成方法、装置、可读介质及电子设备 |
| CN111883104A (zh) * | 2020-07-08 | 2020-11-03 | 马上消费金融股份有限公司 | 语音切割方法、语音转换网络模型的训练方法及相关设备 |
| CN111883104B (zh) * | 2020-07-08 | 2021-10-15 | 马上消费金融股份有限公司 | 语音切割方法、语音转换网络模型的训练方法及相关设备 |
| CN111785247A (zh) * | 2020-07-13 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 语音生成方法、装置、设备和计算机可读介质 |
| WO2022017040A1 (zh) * | 2020-07-21 | 2022-01-27 | 思必驰科技股份有限公司 | 语音合成方法及系统 |
| US11842722B2 (en) | 2020-07-21 | 2023-12-12 | Ai Speech Co., Ltd. | Speech synthesis method and system |
| CN111739508A (zh) * | 2020-08-07 | 2020-10-02 | 浙江大学 | 一种基于dnn-hmm双模态对齐网络的端到端语音合成方法及系统 |
| CN112289298A (zh) * | 2020-09-30 | 2021-01-29 | 北京大米科技有限公司 | 合成语音的处理方法、装置、存储介质以及电子设备 |
| CN112652293A (zh) * | 2020-12-24 | 2021-04-13 | 上海优扬新媒信息技术有限公司 | 语音合成模型训练及语音合成方法、装置及语音合成器 |
| CN113823257A (zh) * | 2021-06-18 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 语音合成器的构建方法、语音合成方法及装置 |
| CN113823257B (zh) * | 2021-06-18 | 2024-02-09 | 腾讯科技（深圳）有限公司 | 语音合成器的构建方法、语音合成方法及装置 |
| CN116072098A (zh) * | 2023-02-07 | 2023-05-05 | 北京百度网讯科技有限公司 | 音频信号生成方法、模型训练方法、装置、设备和介质 |
| CN116072098B (zh) * | 2023-02-07 | 2023-11-14 | 北京百度网讯科技有限公司 | 音频信号生成方法、模型训练方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108182936B (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108182936B (zh) | 语音信号生成方法和装置 | |
| US10553201B2 (en) | Method and apparatus for speech synthesis | |
| CN109036384B (zh) | 语音识别方法和装置 | |
| CN110211563B (zh) | 面向情景及情感的中文语音合成方法、装置及存储介质 | |
| US20210110810A1 (en) | Waveform generation using end-to-end text-to-waveform system | |
| CN108806665A (zh) | 语音合成方法和装置 | |
| US11205417B2 (en) | Apparatus and method for inspecting speech recognition | |
| CN108428446A (zh) | 语音识别方法和装置 | |
| JP5768093B2 (ja) | 音声処理システム | |
| CN110246488B (zh) | 半优化CycleGAN模型的语音转换方法及装置 | |
| CN110033755A (zh) | 语音合成方法、装置、计算机设备及存储介质 | |
| CN107452369A (zh) | 语音合成模型生成方法和装置 | |
| CN113539231B (zh) | 音频处理方法、声码器、装置、设备及存储介质 | |
| CN109545192A (zh) | 用于生成模型的方法和装置 | |
| CN109949791A (zh) | 基于hmm的情感语音合成方法、装置及存储介质 | |
| CN114999441B (zh) | 虚拟形象生成方法、装置、设备、存储介质以及程序产品 | |
| EP4198967A1 (en) | Electronic device and control method thereof | |
| CN109308901A (zh) | 歌唱者识别方法和装置 | |
| CN107680584A (zh) | 用于切分音频的方法和装置 | |
| CN107481715A (zh) | 用于生成信息的方法和装置 | |
| CN107705782A (zh) | 用于确定音素发音时长的方法和装置 | |
| CN114913859A (zh) | 声纹识别方法、装置、电子设备和存储介质 | |
| EP4276822B1 (en) | Method and apparatus for processing audio, electronic device and storage medium | |
| JP3014177B2 (ja) | 話者適応音声認識装置 | |
| CN109087627A (zh) | 用于生成信息的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |