语音合成方法、声码器训练方法、装置、介质及电子设备

摘要

本公开涉及一种语音合成方法、声码器训练方法、装置、介质及电子设备。方法包括：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；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。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。

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

[0001] 本公开涉及语音合成技术领域，具体地，涉及一种语音合成方法、声码器训练方法、装置、介质及电子设备。

背景技术

[0002] 语音合成声码器从基频、频谱等声学特征中重构语音波形，是语音合成系统中不可或缺的一部分，其中，合成语音的准确度、自然度以及合成速度是衡量声码器性能的重要
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

[0003] 提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，
也不旨在用于限制所要求的保护的技术方案的范围。

[0004] 第一方面，本公开提供一种语音合成方法，包括：

[0005] 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；

[0006] 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。

[0007] 第二方面，本公开提供一种声码器训练方法，包括：

[0008] 获取多个历史音频信息中每一所述历史音频信息包含的各语音帧的声学特征信息；

[0009] 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，所述初始声码器为基于扩张卷积神经网络
的声码器；

[0010] 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。

[0011] 第三方面，本公开提供一种语音合成装置，包括：

[0012] 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；

[0013] 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，所述声码器为基于扩
张卷积神经网络的声码器。

[0014] 第四方面，本公开提供一种声码器训练装置，包括：

[0015] 第二获取模块，用于获取多个历史音频信息中每一所述历史音频信息包含的各语音帧的声学特征信息；

[0016] 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；

[0017] 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。

[0018] 第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述方法的步骤。

[0019] 第六方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第二方面提供的所述方法的步骤。

[0020] 第七方面，本公开提供一种电子设备，包括：

[0021] 存储装置，其上存储有一个或多个计算机程序；

[0022] 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，以实现本公开第一方面提供的所述方法的步骤。

[0023] 第八方面，本公开提供一种电子设备，包括：

[0024] 存储装置，其上存储有一个或多个计算机程序；

[0025] 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，以实现本公开第二方面提供的所述方法的步骤。

[0026] 在上述技术方案中，首先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；之后，将每一语音帧的声学特征信息输入至基于扩张卷积神经网络的声码器中，得到
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。

[0027] 本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

[0028] 结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理
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：

[0029] 图1是根据一示例性实施例示出的一种语音合成方法的流程图。

[0030] 图2是根据一示例性实施例示出的一种声码器的结构示意图。

[0031] 图3是根据一示例性实施例示出的一种声码器训练方法的流程图。

[0032] 图4是根据一示例性实施例示出的一种语音合成装置的框图。

[0033] 图5是根据一示例性实施例示出的一种声码器训练装置的框图。

[0034] 图6是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

[0035] 下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这
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。

[0036] 应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公
开的范围在此方面不受限制。

[0037] 本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示
“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。

[0038] 需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

[0039] 需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

[0040] 本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

[0041] 图1是根据一示例性实施例示出的一种语音合成方法的流程图。如图1所示，该方法可以包括以下步骤101和步骤102。

[0042] 在步骤101中，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。

[0043] 在一种实施方式中，上述声学特征信息可以为倒谱、线性谱等特征。

[0044] 在另一种实施方式中，上述声学特征信息可以包括谱包络和基频。由于谱包络维数较高，比倒谱、线性谱包含更多的频谱细节，即包含更加丰富的特征信息，由此，可以提升
后续语音合成的准确度。

[0045] 在步骤102中，将每一语音帧的声学特征信息输入至声码器中，得到待合成文本对应的音频信息。

[0046] 其中，该声码器可以为基于扩张卷积神经网络的声码器。

[0047] 在上述技术方案中，首先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；之后，将每一语音帧的声学特征信息输入至基于扩张卷积神经网络的声码器中，得到
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。

[0048] 下面针对上述步骤101中的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进行详细说明。具体来说，可以通过以下步骤来实现：

[0049] (1)获取待合成文本中各音素的发音时长。

[0050] 在本公开中，可以通过预设的时长模型来获取各音素的发音时长，具体来说，可以将待合成文本输入至预设的时长模型中，得到待合成文本中各音素的发音时长。其中，该时
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。

[0051] (2)根据每一音素的发音时长，确定该音素对应的语音帧的数量。

[0052] 示例地，一音素的发音时长为200ms，一个语音帧的时间长度为5ms，则该音素对应的语音帧的数量为40。

[0053] 又示例地，一音素的发音时长为203ms，一个语音帧的时间长度为5ms，则该音素对应的语音帧的数量为 即最后一片不足5ms的，按照一帧处理。

[0054] (3)将各音素对应的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。

[0055] 其中，上述声学模型可以例如是基于注意力机制的CBHG模型、LSTM模型、LSTM‑RNN模型、DNN模型等。

[0056] 下面针对上述步骤102中的将每一语音帧的声学特征信息输入至声码器中，得到待合成文本对应的音频信息进行详细说明。

[0057] 如图2所示，声码器可以包括条件网络(例如，RNN、CNN等)、线性预测系数(Linear Prediction Coefficient，LPC)计算模块、扩张卷积神经网络以及线性预测系数滤波器(即
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)：

[0058] (1)条件网络根据该语音帧的声学特征信息(即谱包络和基频)，获取该语音帧对应的条件向量。

[0059] (2)扩张卷积神经网络根据条件向量和参考语音波形，确定该语音帧对应的残差信息。

[0060] 其中，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(如图2中所示的x[n‑N]、…、x[n‑2]、x[n‑1]，其中，N为扩张卷积神经网络感受野范围内
的语音波形点的数量)。

[0061] (3)LPC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。

[0062] 在本公开中，LPC计算模块可以根据该语音帧的谱包络，采用Levinson‑Durbin算法计算该语音帧的线性预测系数。

[0063] (4)LPC滤波器根据参考语音波形、该语音帧对应的残差信息以及该语音帧的线性预测系数，确定该语音帧对应的语音波形x[n]。

[0064] 示例地，可以通过以下等式来确定语音帧对应的语音波形x[n]：

[0065]

[0066] 其中，x[n‑k]为参考语音波形中的、第k个语音帧对应的语音波形，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为该语音帧的线性预测系数；υ[n]为该语音帧对
应的残差信息；p为LPC滤波器的阶数。

[0067] 在通过上述方式得到待合成文本中各音素对应的每一语音帧对应的语音波形后，可以将每一语音帧对应的语音波形组成待合成文本对应的音频信息。

[0068] 另外，上述声码器可以是预先训练好的，具体来说，可以通过图3所示的步骤301～步骤303来实现。

[0069] 在步骤301中，获取多个历史音频信息中每一历史音频信息包含的各语音帧的声学特征信息。

[0070] 在本公开中，可以从各历史音频信息直接提取各语音帧的声学特征信息。

[0071] 在步骤302中，将多个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。

[0072] 在步骤303中，根据多个合成音频信息和多个历史音频信息的比对结果，对初始的声码器进行训练，得到声码器。

[0073] 图4是根据一示例性实施例示出的一种语音合成装置的框图。参照图4，该装置400可以包括：第一获取模块401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；
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。

[0074] 可选地，所述声学特征信息包括谱包络和基频。

[0075] 可选地，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；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。

[0076] 可选地，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：

[0077]

[0078] 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。

[0079] 可选地，所述第一获取模块401包括：获取子模块，用于获取待合成文本中各音素的发音时长；第一确定子模块，用于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；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。

[0080] 可选地，所述获取子模块用于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。

[0081] 图5是根据一示例性实施例示出的一种声码器训练装置的框图。参照图5，该装置500可以包括：第二获取模块501，用于获取多个历史音频信息中每一所述历史音频信息包
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。

[0082] 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。

[0083] 本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述语音合成方法的步骤。

[0084] 本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述声码器训练方法的步骤。

[0085] 下面参考图6，其示出了适于用来实现本公开实施例的电子设备(终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记
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。

[0086] 如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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。

[0087] 通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振
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。

[0088] 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，其包括承载在非暂态计算机可
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。

[0089] 需要说明的是，本公开上述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。

[0090] 在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可
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。

[0091] 上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

[0092] 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电子设备执行时，使得该电子设备：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；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。

[0093] 或者，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电子设备执行时，使得该电子设备：获取多个历史音频信息中每一所述历史音频信息
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。

[0094] 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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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)。

[0095] 附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

[0096] 描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第
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”。

[0097] 本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专
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。

[0098] 在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可
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。

[0099] 根据本公开的一个或多个实施例，示例1提供了一种语音合成方法，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；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。

[0100] 根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述声学特征信息包括谱包络和基频。

[0101] 根据本公开的一个或多个实施例，示例3提供了示例2的方法，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；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。

[0102] 根据本公开的一个或多个实施例，示例4提供了示例3的方法，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：

[0103]

[0104] 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。

[0105] 根据本公开的一个或多个实施例，示例5提供了示例1‑4中任一项所述的方法，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。

[0106] 根据本公开的一个或多个实施例，示例6提供了示例5所述的方法，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。

[0107] 根据本公开的一个或多个实施例，示例7提供了一种声码器训练方法，包括：获取多个历史音频信息中每一所述历史音频信息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。

[0108] 根据本公开的一个或多个实施例，示例8提供了一种语音合成装置，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；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，所述声码器为基于扩张卷积神经网络的声
码器。

[0109] 根据本公开的一个或多个实施例，示例9提供了一种声码器训练装置，包括：第二获取模块，用于获取多个历史音频信息中每一所述历史音频信息包含的各语音帧的声学特
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。

[0110] 根据本公开的一个或多个实施例，示例10提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1‑6中任一项所述方法的步骤。

[0111] 根据本公开的一个或多个实施例，示例11提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例7所述方法的步骤。

[0112] 根据本公开的一个或多个实施例，示例12提供了一种电子设备，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，以实现示例1‑6中任一项所述方法的步骤。

[0113] 根据本公开的一个或多个实施例，示例13提供了一种电子设备，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，以实现示例7所述方法的步骤。

[0114] 以上描述仅为本公开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，本公开中所涉及的公开范围，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。

[0115] 此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利
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。

[0116] 尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上
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。