模型训练方法、语音合成方法、装置、设备和存储介质与流程

本申请涉及语音技术领域，尤其涉及自然语言处理和深度学习技术领域，具体涉及一种模型训练方法、语音合成方法、装置、设备和存储介质。

背景技术：

随着人工智能技术的发展，智能语音交互广泛应用于工作生活的各个领域，例如通过ai(artificialintelligence，人工智能)合成主播播报新闻、通过智能音箱播报语音消息等。

语音合成通过将文字特征转化为语音，是智能语音交互的基础。合成语音的流畅度是智能语音交互效果的关键。

技术实现要素：

本公开提供了一种用于模型训练方法、语音合成方法、装置、设备和存储介质。

根据本公开的第一方面，提供了一种语音合成模型的训练方法，包括：

确定样本文本数据的音素特征和韵律词边界特征；

根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述样本文本数据的组合特征；

根据所述样本文本数据的组合特征，对初始语音合成模型进行训练得到目标语音合成模型。

根据本公开的第二方面，提供了一种语音合成方法，包括：

确定目标文本数据的音素特征和韵律词边界特征；

根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述目标文本数据的组合特征；

基于目标语音合成模型，根据所述目标文本数据的组合特征得到声学特征，使用所述声学特征合成目标语音。

根据本公开的第三方面，提供了一种语音合成模型的训练装置，包括：

样本音素边界模块，用于确定样本文本数据的音素特征和韵律词边界特征；

样本特征组合模块，用于根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述样本文本数据的组合特征；

模型训练模块，用于根据所述样本文本数据的组合特征，对初始语音合成模型进行训练得到目标语音合成模型。

根据本公开的第四方面，提供了一种语音合成装置，包括：

目标音素边界模块，用于确定目标文本数据的音素特征和韵律词边界特征；

目标特征组合模块，用于根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述目标文本数据的组合特征；

语音合成模块，用于基于目标语音合成模型，根据所述目标文本数据的组合特征得到声学特征，使用所述声学特征合成目标语音。

根据第五方面，提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请实施例中任一项所述的语音合成模型的训练方法或语音合成方法。

根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例中任一项所述的语音合成模型的训练方法或语音合成方法。

根据本申请的技术提高了语音合成的流畅度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1a是根据本申请实施例提供的一种语音合成模型的训练方法的流程示意图；

图1b是根据本申请实施例提供的一种韵律词边界的示意图；

图2是根据本申请实施例提供的一种语音合成模型的训练方法的流程示意图；

图3是根据本申请实施例提供的一种语音合成方法的流程示意图；

图4是根据本申请实施例提供的一种语音合成方法的流程示意图；

图5是根据本申请实施例提供的一种语音合成处理方法的流程示意图；

图6是根据本申请实施例提供的一种语音合成模型处理装置的结构示意图；

图7是根据本申请实施例提供的一种语音合成装置的结构示意图；

图8是用来实现本申请实施例的语音合成模型的训练方法或语音合成方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1a是根据本申请实施例提供的一种语音合成模型的训练方法的流程示意图。本实施例可适用于对语音合成模型进行训练的情况。本实施例公开的语音合成模型的训练方法可以由电子设备执行，具体可以由语音合成模型的训练装置来执行，该装置可以由软件和/或硬件的方式实现，配置于电子设备中。参见图1a，本实施例提供的语音合成模型的训练方法包括：

s110、确定样本文本数据的音素特征和韵律词边界特征。

其中，音素是根据语音的自然属性划分的最小语音单位，依据音节里的发音动作进行划分，一个动作构成一个音素。音素分为元音与辅音两大类。音素特征可以为样本文本数据的音素序列。具体的，确定样本文本数据的拼音，并按照音素粒度对拼音进行拆分得到样本文本数据的音素特征。以三个好人为例，音素特征可以为s、an、g、e、h、ao、r和en。

其中，文本数据中出现停顿的音节位置为韵律词边界，可以包括韵律词、韵律短语和语调短语中的至少一种。具体的，可以基于预先训练得到的韵律边界检测模型对样本文本数据进行韵律词边界预测，得到样本文本数据的韵律词边界特征。参考图1b，仍以三个好人为例，韵律边界特征可以为韵律词三个和韵律词好人，韵律短语三个好人，即“个”之后停顿位置为韵律词，“人”之后停顿位置为韵律短语。

s120、根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述样本文本数据的组合特征。

其中，停顿符用于表征音节之间具有停顿。韵律词边界特征不同，停顿符相同。通过将韵律词边界特征关联的停顿符作为特殊的音素插入到音素特征中，得到样本文本数据的组合特征。

以韵律词和韵律短语分别关联有停顿符bk为例，在音素特征s、an、g、e、h、ao、r和en中插入停顿符bk，得到组合特征s、an、g、e、bk、h、ao、r、en和bk。

s130、根据所述样本文本数据的组合特征，对初始语音合成模型进行训练得到目标语音合成模型。

其中，初始语音合成模型可以为基于神经网络的语音合成模型，用于输出声学特征。本申请实施例对神经网络结构不作具体限定，例如为声谱预测网络。具体的，确定组合特征的向量表示，将组合特征的向量表示作为初始语音合成模型的输入，对初始语音合成模型进行训练。

通过在音素特征中插入用于表示韵律词边界的停顿符，将停顿符作为特殊的音素特征，使得在语音合成模型训练过程中不仅学习音素特征还学习韵律词边界特征，即语音合成模型中融入有韵律信息，从而后续合成的语音更流畅。并且，由于组合特征为音素粒度的特征，在模型训练过程中相比于文字、词语粒度的语音合成，通过更细粒度的处理，提高了合成语音的自然度。并且，音素是中文、英文等多种语言类型均具有的共性特征，因此基于音素粒度的语音合成模型不仅适用于中文、英文等单一语言场景下具有良好性能，尤其在多种语言类型混用场景例如中英文混用场景具有良好性能。

在一种可选实施方式中，s120包括：根据所述韵律词边界特征，确定所述音素特征中的韵律词位置；在所述韵律词位置处插入所述停顿符，得到所述样本文本数据的组合特征。

由于韵律词边界预测过程中，韵律词的准确度高于韵律短语和语调短语的准确度，并且韵律短语和语调短语的停顿位置同样为韵律词的停顿位置，通过在组合特征中引入韵律词停顿符，而不引入韵律短语和语调短语停顿符即把韵律短语和语调短语看成韵律词，能够避免韵律短语和语调短语预测准确度较低所导致的模型性能下降。

可选的，对初始语音合成模型进行训练得到目标语音合成模型之后，还包括：采用所述初始语音合成模型的输出和样本音频数据，对初始声码器进行训练得到目标声码器。本申请实施例对声码器结构不作具体限定，例如可以为rnn(cyclicneuralnetwork，循环神经网络)声码器。通过一起训练语音合成模型与声码器，能够提高语音合成模型与声码器的鲁棒性。

本申请实施例的技术方案，通过在音素特征中插入用于表示韵律词边界特征的停顿符得到组合特征，基于样本文本数据的组合特征对初始语音合成模型进行训练使得目标语音合成模型中有韵律信息，使后续合成的语音更流畅；并且，基于音素粒度的语音合成模型，通用性强，尤其在多语种混用场景下具有良好性能。

图2是根据本申请实施例提供的一种语音合成模型的训练方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图2，本实施例提供的语音合成模型的训练方法包括：

s210、确定样本文本数据的音素特征和韵律词边界特征。

s220、根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述样本文本数据的组合特征。

s230、根据所述组合特征和样本音频数据的声学特征，确定停顿隐特征分布。

其中，样本音频数据与样本文本数据关联，即样本音频数据为流畅度满足要求的样本文本数据的音频数据。声学特征可以为梅尔频谱特征、能量特征等。隐特征是指不能够直接获取的隐性特征，与能够直接获取的显性特征是相对概念，停顿隐特征分布可以为高斯分布。例如，停顿是韵律词边界的显性特征，能够直接得到韵律词边界处有停顿，但是韵律词边界与声学特征之间关系不能直接获取，是韵律词边界的隐性特征。

具体的，通过对组合特征和样本音频数据的声学特征进行处理，得到音频和停顿符的声学特征，假设停顿符的隐特征服从高斯分布，根据停顿符的声学特征拟合停顿隐特征分布。

在一种可选实施方式中，s230包括：对所述组合特征和所述样本音频数据的声学特征进行对齐，得到所述组合特征中停顿符的声学特征；通过变分自编码器对所述停顿符的声学特征进行处理，得到所述停顿隐特征分布。

其中，变分自编码器(variationalauto-encoder,vae)将停顿符的声学特征映射到后验分布上；后验分布可以是高斯分布。具体的，通过对齐工具，确定组合特征中音素和停顿符关联的音频帧，从而得到音素和停顿符的声学特征，通过变分自编码器对停顿符的声学特征进行处理得到停顿隐特征分布。其中，对齐工具可以包括编码层和注意力层，将组合特征中音素和停顿符作为编码层输入，将编码层输出的语义向量和样本音频数据的声学特征作为注意力层的输入，得到音素和停顿符的声学特征。通过对样本中各停顿符的声学特征进行拟合，得到声学特征与停顿符之间关系，即停顿隐特征分布。

需要说明的是，由于对齐工具能够得到停顿符关联的音频帧，即能够得到停顿符关联的停顿时长。根据停顿隐特征分布可以得到停顿符的隐特征，从而还可以得到停顿时长与隐特征之间关联关系，便于后续模型使用阶段根据停顿时长与隐特征之间关联关系按需求合成不同停留时长的语音。

s240、根据所述组合特征和所述停顿隐特征分布，对初始语音合成模型进行无监督训练得到目标语音合成模型。

通过结合停顿隐特征分布对初始语音合成模型进行训练，使得模型能够学习停顿隐特征，提高了模型的性能，从而提高合成语音的质量。并且，通过变分自编码器得到停顿隐特征分布，使得语音合成模型能够学习不同停留时长停顿符的隐特征，从而在语音合成过程中支持按需求合成不同停留时长的音频。

在一种可选实施方式中，s240包括：根据所述组合特征，确定组合特征向量表示；对所述停顿隐特征分布进行采样得到停顿隐特征；将所述组合特征向量表示作为所述初始语音合成模型中解码器的输入，拼接所述解码器的输出与所述停顿隐特征得到上下文向量；通过所述初始语音合成模型中的编码器，对所述上下文向量进行编码，得到所述初始语音合成模型输出的声学特征。

具体的，可以预先构建有候选音素特征与向量表示之间第一关联关系，以及停顿符与向量表示之间第二关联关系，例如音素特征和停顿符的向量表示可以为固定长度向量表示，不同候选音素特征的向量表示不同，不同停顿符的向量表示不同；通过将组合特征中的音素特征、停顿符与第一关联关系和第二关联关系进行匹配，得到组合特征向量表示。

将所述组合特征向量表示作为初始语音合成模型中解码器的输入，将所述解码器的输出与所述停顿隐特征进行拼接得到解码器的最终输出；根据解码器的最终输出进行编码，得到组合特征中音素和停顿符的声学特征。通过停顿隐特征与解码器输出进行拼接，使得语音合成模型训练过程中能够学习停顿隐特征，并且通过无监督训练不依赖人工标注，进一步提高了模型训练的效率和准确度。

此外，还根据所述初始语音合成模型在训练过程中输出的音素和停顿符的声学特征，以及样本音频数据对初始声码器进行训练得到目标声码器。

本申请实施例的技术方案，通过引入停顿隐特征对初始语音合成模型进行训练，使得模型能够学习停顿隐特征，提高了模型的性能，从而提高合成语音的质量。并且，通过变分自编码器得到停顿隐特征分布，使得语音合成模型能够学习不同停留时长停顿符的隐特征，从而在语音合成过程中支持按需求合成不同停留时长的音频。

图3是根据本申请实施例提供的一种语音合成方法的流程示意图。本实施例可适用于对语音合成的情况。本实施例公开的语音合成方法可以由电子设备执行，具体可以由语音合成装置来执行，该装置可以由软件和/或硬件的方式实现，配置于电子设备中。参见图3，本实施例提供的语音合成方法包括：

s310、确定目标文本数据的音素特征和韵律词边界特征。

其中，目标文本数据为待合成语音的文本数据。具体的，确定目标文本数据的拼音，并按照音素粒度对拼音进行拆分得到目标文本数据的音素特征。文本数据中出现停顿的音节位置为韵律词边界，可以包括韵律词边界特征可以包括韵律词、韵律短语和语调短语中的至少一种。具体的，可以基于预先训练得到的韵律边界检测模型对目标文本数据进行韵律词边界预测，得到目标文本数据的韵律词边界特征。

s320、根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述目标文本数据的组合特征。

其中，停顿符用于表征音节之间具有停顿。韵律词边界特征不同，停顿符可以不同。通过将韵律词边界特征关联的停顿符作为特殊的音素插入到音素特征中，得到目标文本数据的组合特征。

在一种可选实施方式中，s320包括：根据所述韵律词边界特征，确定所述音素特征中的韵律词位置；在所述韵律词位置处插入所述停顿符，得到所述目标文本数据的组合特征。

通过在组合特征中引入韵律词停顿符，而不引入韵律短语和语调短语停顿符，能够避免韵律短语和语调短语预测不准确，导致模型训练过程中韵律边界特征学习有误，提高语音合成模型的准确度。

s330、基于目标语音合成模型，根据所述目标文本数据的组合特征得到声学特征，使用所述声学特征合成目标语音。

具体的，将目标文本数据的组合特征作为目标语音合成模型的输入，得到目标语音合成模型输出的组合特征中音素和停顿符的声学特征。通过将目标文本数据的声学特征作为声码器的输入，得到声码器合成的目标语音。

本申请实施例的技术方案，通过在音素特征中插入用于表示韵律词边界特征的停顿符得到组合特征，基于目标语音合成模型对目标文本数据的组合特征进行处理得到目标文本数据的声学特征，根据目标文本数据的声学特征合成目标语音，提高目标语音的流畅度；并且，基于音素粒度的语音合成模型，通用性强，尤其在多语种混用场景下具有良好性能。

图4是根据本申请实施例提供的一种语音合成方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图4，本实施例提供的语音合成方法包括：

s410、确定目标文本数据的音素特征和韵律词边界特征。

s420、根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述目标文本数据的组合特征。

s430、根据用户期望的目标停顿时长，以及停顿时长与停顿隐特征之间关联关系，确定目标停顿隐特征。

其中，停顿时长与停顿隐特征之间关联关系在所述目标语音合成模型的训练阶段得到，可以包括至少两个已知停顿时长与已知停顿隐特征之间关联关系。目标停顿时长是指用户对目标语音的停顿长短需求，可以为用户直接输入的具体时长值，也可以根据用户选择的停顿等级确定。

具体的，若目标停顿时长为任一已知停顿时长，则可以直接将该已知停顿时长关联的已知停顿隐特征作为目标停顿隐特征；若已知停止时长中不包括目标停顿时长，则可以根据目标停顿时长与已知停顿时长之间数值关系，对已知停顿隐特征进行插值，得到目标停顿隐特征。由于目标语音合成模型在训练阶段学习了停顿隐特征，且已经构建有停顿时长与停顿隐特征之间关联关系，因此能够支持用户根据需求合成不同停留时长的语音。

s440、基于所述目标语音合成模型，根据所述目标文本数据的组合特征和所述目标停顿隐特征得到声学特征。

具体的，通过确定目标文本数据的组合特征向量表示，将该组合特征向量表示作为目标语音合成模型中解码器的输入，将解码器的输出与目标停顿隐特征拼接作为解码器的最终输出，将解码器的最终输出作为目标语音合成模型中注意力层的输入，且经目标语音合成模型中编码器处理，得到目标文本数据的声学特征。将目标文本数据的声学特征作为声码器的输入，得到目标语音。

本申请实施例的技术方案，根据用户期望的目标停顿时长，以及语音合成模型在训练阶段构建的停顿时长与停顿隐特征之间关联关系确定目标停顿隐特征，并且根据目标文本数据的组合特征和目标停顿隐特征合成目标语音，实现了根据用户需求合成不同停留时长的语音。

图5是根据本申请实施例提供的一种语音合成处理方法的流程示意图。参考图5，本申请实施例提供的语音合成模型的处理方法包括语音合成模型的训练阶段和语音合成模型的使用阶段即语音合成方法。

在语音合成模型的训练阶段对样本文本数据进行特征提取，在使用阶段对目标文本数据进行特征提取。具体的，通过前端分析分别确定文本数据的音素特征和韵律词边界特征。根据韵律词边界特征确定韵律词位置，且在音素特征的韵律词位置处插入停顿符，得到组合特征。以文本数据为三个好人，韵律词停顿符为bk为例，组合特征为s、an、g、e、bk、h、ao、r、en和bk。

在模型训练阶段，将样本文本数据的组合特征表示作为第一解码器encoder1的输入，将encoder1的输出和样本文本数据关联的样本音频数据的频谱特征作为注意力层的输入，得到组合特征中各音素和停顿符的频谱特征。将所有样本文本数据中停顿符的频谱特征分别作为变分自编码器encoder2的输入，得到停顿隐特征分布，具体的，假设停顿符的隐特征分布符合高斯分布，根据停顿符的频谱拟合停顿隐特征分布。通过对停顿隐特征分布进行采样得到隐特征。将样本文本数据的组合特征表示作为语音合成模型中解码器encoder3的输入，将encoder3的输出与采样的隐特征拼接作为encoder3的最终输出，经过注意力层和编码器得到声学特征，采样语音合成模型输出的声学特征对声码器进行训练。

此外，由于通过对样本文件数据和样本音频数据的声音特征进行对齐能够得到停顿符关联的音频帧，即能够得到停顿符关联的停顿时长。根据停顿隐特征分布可以得到停顿符的隐特征，从而还可以得到停顿时长与隐特征之间关联关系，便于后续模型使用阶段根据停顿时长与隐特征之间关联关系按需求合成不同停留时长的语音。

在语音合成阶段，获取用户期望的目标停顿时长，根据停顿时长与隐特征之间关联关系，确定目标停顿时长关联的目标停顿隐特征；将待合成的目标文本数据的组合特征作为语音合成模型中解码器encoder3的输入，将encoder3的输出与目标隐特征拼接作为encoder3的最终输出，经过注意力层和编码器得到声学特征，将语音合成模型输出的声学特征输入声码器进行得到目标语音。

上述技术方案通过在音素特征中插入用于表示韵律词边界特征的停顿符得到组合特征，提高目标语音的流畅度；并且，基于音素粒度的语音合成模型，通用性强，尤其在多语种混用场景下具有良好性能。通过引入停顿隐特征对初始语音合成模型进行训练，使得模型能够学习停顿隐特征，提高了模型的性能，从而提高合成语音的质量。此外，在语音合成过程中支持按需求合成不同停留时长的音频。

图6是根据本申请实施例提供的语音合成模型的训练装置的结构示意图。参见图6，本申请实施例公开了语音合成模型的训练装置500，该装置500包括：

样本音素边界模块501，用于确定样本文本数据的音素特征和韵律词边界特征；

样本特征组合模块502，用于根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述样本文本数据的组合特征；

模型训练模块503，用于根据所述样本文本数据的组合特征，对初始语音合成模型进行训练得到目标语音合成模型。

可选的，所述样本特征组合模块502包括：

样本韵律词位置单元，用于根据所述韵律词边界特征，确定所述音素特征中的韵律词位置；

样本停顿符插入单元，用于在所述韵律词位置处插入所述停顿符，得到所述样本文本数据的组合特征。

可选的，所述模型训练模块503包括：

隐特征分布单元，用于根据所述组合特征和样本音频数据的声学特征，确定停顿隐特征分布；其中，所述样本音频数据与所述样本文本数据关联；

模型训练单元，用于根据所述组合特征和所述停顿隐特征分布，对初始语音合成模型进行无监督训练。

可选的，所述隐特征分布单元包括：

声学特征子单元，用于对所述组合特征和所述样本音频数据的声学特征进行对齐，得到所述组合特征中停顿符的声学特征；

隐特征分布子单元，用于通过变分自编码器对所述停顿符的声学特征进行处理，得到所述停顿隐特征分布。

可选的，所述模型训练单元包括：

特征表示子单元，用于根据所述组合特征，确定组合特征向量表示；

隐特征采样子单元，用于对所述停顿隐特征分布进行采样得到停顿隐特征；

解码子单元，用于将所述组合特征向量表示作为所述初始语音合成模型中解码器的输入，拼接所述解码器的输出与所述停顿隐特征得到上下文向量；

编码子单元，用于通过所述初始语音合成模型中的编码器，对所述上下文向量进行编码，得到所述初始语音合成模型输出的声学特征。

可选的，所述装置还包括声码器模块，具体用于：

采用所述初始语音合成模型的输出和样本音频数据，对初始声码器进行训练得到目标声码器。

本申请实施例的技术方案，通过引入停顿隐特征对初始语音合成模型进行训练，使得模型能够学习停顿隐特征，提高了模型的性能，从而提高合成语音的质量。并且，通过变分自编码器得到停顿隐特征分布，使得语音合成模型能够学习不同停留时长停顿符的隐特征，从而在语音合成过程中支持按需求合成不同停留时长的音频。

图7是根据本申请实施例提供的语音合成装置的结构示意图。参见图7，本申请实施例公开了语音合成装置600，该装置600包括：

目标音素边界模块601，用于确定目标文本数据的音素特征和韵律词边界特征；

目标特征组合模块602，用于根据所述韵律词边界特征，在所述音素特征中插入停顿符，得到所述目标文本数据的组合特征；

语音合成模块603，用于基于目标语音合成模型，根据所述目标文本数据的组合特征得到声学特征，使用所述声学特征合成目标语音。

可选的，所述目标特征组合模块602包括：

目标韵律词位置单元，用于根据所述韵律词边界特征，确定所述音素特征中的韵律词位置；

目标停顿符插入单元，用于在所述韵律词位置处插入所述停顿符，得到所述目标文本数据的组合特征。

可选的，所述语音合成模块603包括：

隐特征确定单元，用于根据用户期望的目标停顿时长，以及停顿时长与停顿隐特征之间关联关系，确定目标停顿隐特征；其中所述关联关系在所述目标语音合成模型的训练阶段得到；

语音合成单元，用于基于所述目标语音合成模型，根据所述目标文本数据的组合特征和所述目标停顿隐特征得到声学特征。

本申请实施例的技术方案，通过在音素特征中插入用于表示韵律词边界特征的停顿符得到组合特征，提高目标语音的流畅度；并且，基于音素粒度的语音合成模型，通用性强，尤其在多语种混用场景下具有良好性能。此外，还支持根据用户需求合成不同停留时长的语音。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图8所示，是根据本申请实施例的语音合成模型的训练方法或语音合法方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图8所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形特征的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的韵律层级标注的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的韵律层级标注的方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的韵律层级标注的方法对应的程序指令/模块(例如，附图6所示的样本音素边界模块501、样本特征组合模块502和模型训练模块503；又如，附图7所示的目标音素边界模块601、目标特征组合模块602和语音合成模块603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的韵律层级标注的方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据韵律层级标注的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至韵律层级标注的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

韵律层级标注的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图8中以通过总线连接为例。

输入装置703可接收输入的数字或字符特征，以及产生与韵律层级标注的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示特征的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。

本申请实施例的技术方案，通过在音素特征中插入用于表示韵律词边界特征的停顿符得到组合特征，提高目标语音的流畅度；并且，基于音素粒度的语音合成模型，通用性强，尤其在多语种混用场景下具有良好性能。通过引入停顿隐特征对初始语音合成模型进行训练，使得模型能够学习停顿隐特征，提高了模型的性能，从而提高合成语音的质量。此外，在语音合成过程中支持按需求合成不同停留时长的音频。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除