语音合成方法、声码器训练方法、装置、介质及电子设备转让专利
申请号 : CN202010352009.4
文献号 : CN111583903B
文献日 : 2021-11-05
发明人 : 顾宇
申请人 : 北京字节跳动网络技术有限公司
摘要 :
权利要求 :
1.一种语音合成方法,其特在于,包括:获取待合成文本中各音素对应的每一语音帧的声学特征信息,其中,所述声学特征信息包括谱包络和基频;
将每一所述语音帧的声学特征信息输入至声码器中,得到所述待合成文本对应的音频信息,其中,所述声码器包括条件网络、线性预测系数计算模块、扩张卷积神经网络以及线性预测系数滤波器;
所述声码器针对每一所述语音帧的声学特征信息,通过以下方式确定该语音帧对应的语音波形,其中,每一所述语音帧对应的语音波形组成所述待合成文本对应的音频信息:所述条件网络根据该语音帧的声学特征信息,获取该语音帧对应的条件向量;
所述扩张卷积神经网络根据所述条件向量和参考语音波形,确定该语音帧对应的残差信息,所述参考语音波形为该语音帧之前的多个连续语音帧中各语音帧对应的语音波形;
所述线性预测系数计算模块根据该语音帧的谱包络,确定该语音帧的线性预测系数;
所述线性预测系数滤波器根据所述参考语音波形、所述残差信息以及所述线性预测系数,确定该语音帧对应的语音波形。
2.根据权利要求1所述的方法,其特征在于,所述线性预测系数滤波器根据所述参考语音波形、所述残差信息以及所述线性预测系数,通过以下公式,确定该语音帧对应的语音波形:
其中,x[n]为该语音帧对应的语音波形;x[n‑k]为所述参考语音波形中的、第k个语音帧对应的语音波形,所述第k个语音帧与该语音帧之间间隔的语音帧数量为k‑1;ak为所述线性预测系数;υ[n]为所述残差信息;p为所述线性预测系数滤波器的阶数。
3.根据权利要求1或2所述的方法,其特征在于,所述获取待合成文本中各音素对应的每一语音帧的声学特征信息,包括:获取待合成文本中各音素的发音时长;
根据每一音素的所述发音时长,确定该音素对应的语音帧的数量;
将各音素对应的所述语音帧的数量输入至预设的声学模型中,得到各音素对应的每一语音帧的声学特征信息。
4.根据权利要求3所述方法,其特征在于,所述获取待合成文本中各音素的发音时长,包括:
将待合成文本输入至预设的时长模型中,得到所述待合成文本中各音素的发音时长。
5.一种语音合成装置,其特征在于,包括:第一获取模块,用于获取待合成文本中各音素对应的每一语音帧的声学特征信息,其中,所述声学特征信息包括谱包络和基频;
第一语音合成模块,用于将所述第一获取模块获取到的每一所述语音帧的声学特征信息输入至声码器中,得到所述待合成文本对应的音频信息,其中,所述声码器包括条件网络、线性预测系数计算模块、扩张卷积神经网络以及线性预测系数滤波器;
所述声码器针对每一所述语音帧的声学特征信息,通过以下方式确定该语音帧对应的语音波形,其中,每一所述语音帧对应的语音波形组成所述待合成文本对应的音频信息:所述条件网络根据该语音帧的声学特征信息,获取该语音帧对应的条件向量;
所述扩张卷积神经网络根据所述条件向量和参考语音波形,确定该语音帧对应的残差信息,所述参考语音波形为该语音帧之前的多个连续语音帧中各语音帧对应的语音波形;
所述线性预测系数计算模块根据该语音帧的谱包络,确定该语音帧的线性预测系数;
所述线性预测系数滤波器根据所述参考语音波形、所述残差信息以及所述线性预测系数,确定该语音帧对应的语音波形。
6.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1‑4中任一项所述方法的步骤。
7.一种电子设备,其特征在于,包括:存储装置,其上存储有一个或多个计算机程序;
一个或多个处理装置,用于执行所述存储装置中的所述一个或多个计算机程序,以实现权利要求1‑4中任一项所述方法的步骤。
说明书 :
语音合成方法、声码器训练方法、装置、介质及电子设备
技术领域
背景技术
指标。近年来,随着深度神经网络模型在声学建模中的成功应用,语音合成的准确度和自然
度均得到了有效改善,但语音合成的速度不够理想。因此,如何在保证合成语音的准确度和
自然度的情况下,提升语音合成的速度成为声码器的研究重点。
发明内容
也不旨在用于限制所要求的保护的技术方案的范围。
的声码器;
张卷积神经网络的声码器。
息,其中,所述初始声码器为基于扩张卷积神经网络的声码器;
待合成文本对应的音频信息。由于扩张卷积神经网络具备并行处理数据的能力,因此,通过
基于扩张卷积神经网络的声码器进行语音合成,可以提升语音合成的速度,同时,加快了声
码器的训练速度。另外,声码器是基于各语音帧的声学特征信息进行语音合成的,由于无需
再进行各语音帧的声学特征信息的提取,因此,减少了声码器的运算量,进一步提升了语音
合成的速度。
附图说明
解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
具体实施方式
里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的
是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
开的范围在此方面不受限制。
“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定
义将在下文描述中给出。
后续语音合成的准确度。
待合成文本对应的音频信息。由于扩张卷积神经网络具备并行处理数据的能力,因此,通过
基于扩张卷积神经网络的声码器进行语音合成,可以提升语音合成的速度,同时,加快了声
码器的训练速度。另外,声码器是基于各语音帧的声学特征信息进行语音合成的,由于无需
再进行各语音帧的声学特征信息的提取,因此,减少了声码器的运算量,进一步提升了语音
合成的速度。
长模型可以例如是CBHG(Convolution Bank+Highway network+bidirectional Gated
Recurrent Unit,即,卷积层+高速网络+双向递归神经网络,也就是说,CBHG由卷积层、高速
网络以及双向递归神经网络组成)模型、长短时记忆网络(Long Short Term Memory
Network,LSTM)模型、LSTM‑RNN(Recurrent Neural Network,循环神经网络)模型、深度神
经网络(Deep Neural Networks,DNN)模型等。
LPC滤波器)。具体来说,声码器针对待合成文本中各音素对应的每一语音帧的声学特征信
息,通过以下方式确定该语音帧对应的语音波形(如图2中所示):
的语音波形点的数量)。
应的残差信息;p为LPC滤波器的阶数。
第一语音合成模块402将所述第一获取模块401获取到的每一所述语音帧的声学特征信息
输入至声码器中,得到所述待合成文本对应的音频信息,其中,所述声码器为基于扩张卷积
神经网络的声码器。
确定该语音帧对应的语音波形,其中,每一所述语音帧对应的语音波形组成所述待合成文
本对应的音频信息:所述条件网络根据该语音帧的声学特征信息,获取该语音帧对应的条
件向量;所述扩张卷积神经网络根据所述条件向量和参考语音波形,确定该语音帧对应的
残差信息,所述参考语音波形为该语音帧之前的多个连续语音帧中各语音帧对应的语音波
形;线性预测系数计算模块根据该语音帧的谱包络,确定该语音帧的线性预测系数;所述线
性预测系数滤波器根据所述参考语音波形、所述残差信息以及所述线性预测系数,确定该
语音帧对应的语音波形。
所述线性预测系数;υ[n]为所述残差信息;p为所述线性预测系数滤波器的阶数。
帧的数量;第二确定子模块,用于将各音素对应的所述语音帧的数量输入至预设的声学模
型中,得到各音素对应的每一语音帧的声学特征信息。
含的各语音帧的声学特征信息;第二语音合成模块502,用于将所述第二获取模块501获取
到的多个所述历史音频信息包含的各语音帧的声学特征信息作为训练样本输入至初始的
声码器中,得到多个合成音频信息,其中,所述初始声码器为基于扩张卷积神经网络的声码
器;训练模块503,用于根据所述多个合成音频信息和所述多个历史音频信息的比对结果,
对所述初始的声码器进行训练,得到声码器。
本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放
器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固
定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来
任何限制。
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,还存储有电子设备
600操作所需的各种程序和数据。处理装置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。
动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置
609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具
有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以
替代地实施或具备更多或更少的装置。
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装置609从网络上被下载和安装,或者从存储装
置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开
实施例的方法中限定的上述功能。
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。在本公开中,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
公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述
的任意合适的组合。
以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网
(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网
络),以及任何当前已知或未来研发的网络。
信息;将每一所述语音帧的声学特征信息输入至声码器中,得到所述待合成文本对应的音
频信息,其中,所述声码器为基于扩张卷积神经网络的声码器。
包含的各语音帧的声学特征信息;将多个所述历史音频信息包含的各语音帧的声学特征信
息作为训练样本输入至初始的声码器中,得到多个合成音频信息,其中,所述初始的声码器
为基于扩张卷积神经网络的声码器;根据所述多个合成音频信息和所述多个历史音频信息
的比对结果,对所述初始的声码器进行训练,得到声码器。
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)。
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。
一获取模块还可以被描述为“获取待合成文本中各音素对应的每一语音帧的声学特征信息
的模块”。
用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等
等。
读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电
子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合
适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计
算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM
或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD‑ROM)、光学储存设备、磁储存设备、或
上述内容的任何合适组合。
输入至声码器中,得到所述待合成文本对应的音频信息,其中,所述声码器为基于扩张卷积
神经网络的声码器。
针对每一所述语音帧的声学特征信息,通过以下方式确定该语音帧对应的语音波形,其中,
每一所述语音帧对应的语音波形组成所述待合成文本对应的音频信息:所述条件网络根据
该语音帧的声学特征信息,获取该语音帧对应的条件向量;所述扩张卷积神经网络根据所
述条件向量和参考语音波形,确定该语音帧对应的残差信息,所述参考语音波形为该语音
帧之前的多个连续语音帧中各语音帧对应的语音波形;线性预测系数计算模块根据该语音
帧的谱包络,确定该语音帧的线性预测系数;所述线性预测系数滤波器根据所述参考语音
波形、所述残差信息以及所述线性预测系数,确定该语音帧对应的语音波形。
该语音帧对应的语音波形:
所述线性预测系数;υ[n]为所述残差信息;p为所述线性预测系数滤波器的阶数。
各音素的发音时长;根据每一音素的所述发音时长,确定该音素对应的语音帧的数量;将各
音素对应的所述语音帧的数量输入至预设的声学模型中,得到各音素对应的每一语音帧的
声学特征信息。
成文本中各音素的发音时长。
历史音频信息包含的各语音帧的声学特征信息作为训练样本输入至初始的声码器中,得到
多个合成音频信息,其中,所述初始的声码器为基于扩张卷积神经网络的声码器;根据所述
多个合成音频信息和所述多个历史音频信息的比对结果,对所述初始的声码器进行训练,
得到声码器。
模块,用于将所述第一获取模块获取到的每一所述语音帧的声学特征信息输入至声码器
中,得到所述待合成文本对应的音频信息,其中,所述声码器为基于扩张卷积神经网络的声
码器。
征信息;第二语音合成模块,用于将所述第二获取模块获取到的多个所述历史音频信息包
含的各语音帧的声学特征信息作为训练样本输入至初始的声码器中,得到多个合成音频信
息,其中,所述初始声码器为基于扩张卷积神经网络的声码器;训练模块,用于根据所述多
个合成音频信息和所述多个历史音频信息的比对结果,对所述初始的声码器进行训练,得
到声码器。
述一个或多个计算机程序,以实现示例1‑6中任一项所述方法的步骤。
述一个或多个计算机程序,以实现示例7所述方法的步骤。
方案,同时也应涵盖在不脱离上述公开构思的情况下,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。例如上述特征与本公开中公开的(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。
的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公
开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实
施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的
子组合的方式实现在多个实施例中。
面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装
置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此
处将不做详细阐述说明。