语音合成方法、装置、存储介质和电子设备与流程

2021-01-28 15:01:30|

266|

起点商标网

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、装置、存储介质和电子设备。

背景技术：

随着计算机技术发展，图像处理的应用也越来越广泛。例如，为进一步简化用户操作，可以基于图像生成对应的音频，以实现图像应用。现有技术中，通常是对该图像进行卷积处理，从而生成图像对应的文本描述信息，进而生成音频。上述过程中，对图像进行卷积处理的卷积核的大小设置偏差会导致得出的文本描述信息与图像不匹配，从而导致该图像与音频之间的匹配度较低。

技术实现要素：

提供该发明内容部分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。该发明内容部分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。

第一方面，本公开提供一种语音合成方法，所述方法包括：

获取待处理的目标图像；

提取所述目标图像的第一特征信息和所述目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息；

根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息。

第二方面，提供一种语音合成装置，所述装置包括：

第一获取模块，用于获取待处理的目标图像；

生成模块，用于提取所述目标图像的第一特征信息和所述目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息；

合成模块，用于根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息。

第三方面，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上述第一方面任一所述方法的步骤。

第四方面，提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述第一方面任一所述方法的步骤。

在上述技术方案中，通过提取目标图像的第一特征信息和目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息，从而可以根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息。由此，通过上述技术方案，不仅可以获得目标图像的特征信息，还可以进一步对目标图像中的目标物进行识别，获得该目标物对应的特征信息，从而可以提高获取的目标图像的特征信息的全面性和丰富性，为后续生成描述信息提供准确的数据支持。同时，在本公开中，在生成目标图像的描述信息时，不仅考虑了目标图像的信息，还考虑了目标图像中所包含的目标物的内容信息，从而可以基于该目标物对目标图像进行更加全面的描述，并且无需通过不同的卷积核进行特征处理，保证确定出的描述信息的全面性和准确性，提高获得的音频信息与目标图像的匹配度。

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

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：

图1是根据本公开的一种实施方式提供的语音合成方法的流程图；

图2是根据本公开的一种实施方式提供的描述信息生成模型的示意图；

图3是根据本公开的一种实施方式提供的语音合成装置的框图；

图4是用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

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。

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。

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。

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。

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”。

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。

图1所示，为根据本公开的一种实施方式提供的语音合成方法的流程图，如图1所示，所述方法包括：

在步骤11中，获取待处理的目标图像。其中，该目标图像可以为用户上传或导入的图像。

在步骤12中，提取目标图像的第一特征信息和目标图像中至少一个目标物的第二特征信息，并根据第一特征信息和第二特征信息，生成目标图像对应的描述信息。

其中，可以通过图像特征提取模型对目标图像的第一特征信息进行提取，该第一特征信息可以为该目标图像对应的全局特征，即对该完整的目标图像进行特征提取所获得特征信息，例如可以预先训练一卷积神经网络(cnn)，从而获得该图像特征提取模型。其中，目标图像中可能存在多个目标物，例如，目标图像中可以包括青山、太阳等目标物，则可以在确定出目标图像中的目标物时获得该目标物的特征信息，即第二特征信息。示例地，根据第一特征信息和第二特征信息，生成目标图像对应的描述信息，可以是将第一特征信息和第二特征信息的矩阵进行拼接，从而可以获得该目标图像对应的目标特征信息。其中，矩阵拼接可以采用现有的拼接函数进行拼接，如concat等，本公开对此不进行限定。由此可以提取出的保证目标图像对应的特征信息的全面性和丰富性，从而为生成更准确的描述信息提供数据支持。

在步骤13中，根据描述信息进行语音合成，以得到目标图像对应的音频信息。

作为示例，可以基于tts(texttospeech)技术实现语音合成从而获得目标图像对应的音频信息。作为另一示例，可以基于神经网络训练一语音合成模型，以基于描述信息获得对应的声学特征信息，并通过声码器对该声学特征信息进行合成，从而获得音频信息，可以进一步提高该获得的音频信息的可懂性和流畅度。

由此，在上述技术方案中，通过提取目标图像的第一特征信息和目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息，从而可以根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息。由此，通过上述技术方案，不仅可以获得目标图像的特征信息，还可以进一步对目标图像中的目标物进行识别，获得该目标物对应的特征信息，从而可以提高获取的目标图像的特征信息的全面性和丰富性，为后续生成描述信息提供准确的数据支持。同时，在本公开中，在生成目标图像的描述信息时，不仅考虑了目标图像的信息，还考虑了目标图像中所包含的目标物的内容信息，从而可以基于该目标物对目标图像进行更加全面的描述，并且无需通过不同的卷积核进行特征处理，保证确定出的描述信息的全面性和准确性，提高获得的音频信息与目标图像的匹配度。

为了使本领域技术人员更加理解本发明实施例提供的技术方案，下面对上述步骤进行详细的说明。

可选地，在步骤12中，提取目标图像的第一特征信息和目标图像中至少一个目标物的第二特征信息，并根据第一特征信息和第二特征信息，生成目标图像对应的描述信息的另一示例性实现方式如下，该步骤可以包括：

将所述目标图像输入至描述信息生成模型，以通过描述信息生成模型提取所述目标图像的第一特征信息和所述目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息。

其中，如图2所示，所述描述信息生成模型200包括：

第一特征提取子模型201，用于对所述目标图像进行特征提取，以获得所述第一特征信息，其中，该第一特征提取子模型可以为cnn网络；

第二特征提取子模型202，用于对所述目标图像进行图像分割，以确定所述目标图像中的至少一个目标物体，并将所述第二特征提取子模型中最后一个特征层中与所述目标物体对应的特征信息作为所述第二特征信息，其中，该第二特征提取子模型可以为mask-rcnn网络；

描述信息生成子模型203，用于根据所述第一特征信息和所述第二特征信息获得目标特征信息，并根据所述目标特征信息生成所述目标图像对应的描述信息。

以下，首先对描述信息生成模型的训练进行说明，所述描述信息生成模型通过以下方式获得：

获取样本图像、与所述样本图像对应的目标文本信息和所述样本图像中的样本物对应的目标分割信息，其中，所述目标分割信息用于表征所述样本物在所述样本图像中的位置。示例地，用户可以从本地图像库、网络中下载多个样本图像，并标定所述样本图像的描述文本作为该目标文本信息，同时可以标定出该样本图像中的至少一个目标物的位置信息，作为目标分割信息。

根据所述样本图像、所述目标文本信息和所述目标分割信息，对神经网络模型进行训练，以得到所述描述信息生成模型。

其中，可以将样本图像作为模型输入，将该样本图像对应的目标文本信息作为模型的目标输出，将所述目标分割信息作为模型约束条件，对神经网络模型进行训练，以得到所述描述信息生成模型。例如，可以从多个样本图像中选择一样本图像作为模型输入，则可以基于该第一特征提取子模型获取样本图像的第一特征信息，基于该第二特征提取模型获得目标图像中的至少一目标物的分割信息以及该目标物的第二特征信息，之后，描述信息生成子模块则可以根据所述第一特征信息和所述第二特征信息获得目标特征信息，并根据所述目标特征信息生成所述目标图像对应的描述信息，同时可以基于该神经网络模型得出与该样本图像的目标物的分割信息，则可以结合该样本图像对应的目标分割信息对该神经网络模型进行约束，在提高图像分割准确度，即获得的目标物的第二特征信息准确度的同时，使得通过该神经网络模型输出的描述信息更加接近模型的目标输出，以获得描述信息生成模型。

在上述技术方案中，获取样本图像、与所述样本图像对应的目标文本信息和所述样本图像中的样本物对应的目标分割信息，根据所述样本图像、所述目标文本信息和所述目标分割信息，对神经网络模型进行训练，以得到所述描述信息生成模型。由此，通过对神经网络模型训练得到描述信息生成模型，一方面在模型训练的过程中可以学习图像中目标物分割的相关性，从而提高确定出的目标物的准确性，进而可以保证确定出的目标物的第二特征信息的准确性，一定程度上保证确定出的描述信息的全面性和准确性，提高该描述信息生成模型的准确性；另一方面也可以拓宽该描述信息生成的适用范围。并且，在该技术方案中，既包含对神经网络模型的目标输出的学习，也可以通过增加分割信息学习的辅助任务以提高该描述信息生成模型对不同的测试数据的适用，进一步提高该描述信息生成模型的准确性和适用范围，便于用户使用。

可选地，在训练所述神经网络模型的过程中，所述神经网络模型的损失值是根据第一损失值和第二损失值确定的，其中，所述第一损失值是根据所述目标文本信息和所述神经网络模型输出的与所述样本图像对应的描述信息确定的，所述第二损失值是根据所述目标分割信息和所述神经网络模型确定的与所述样本图像对应的分割信息确定的。

在该实施例中，将样本图像输入至神经网络模型得出该样本图像对应的描述信息和分割信息，可以根据目标文本信息和神经网络模型输出的与样本图像对应的描述信息确定第一损失值，示例地，可以通过softmaxcrossentropy交叉熵的方式计算该第一损失值；并且，可以根据目标分割信息和神经网络模型输出的与样本图像对应的分割信息计算第二损失值，示例地，可以通过rmse均方根误差计算该第二损失值。其中，第一损失值的计算方式和第二损失值的计算方式可以根据实际使用场景进行选择，可以相同，也可以不同，本公开对此不进行限定。

由此，在上述技术方案中，在确定神经网络模型的损失值以对神经网络模型进行训练时，不仅考虑了神经网络模型的学习目标即描述信息的损失，同时考虑了图像中的分割信息的约束，即同时获得了目标物的位置信息的损失值，保证输入的图像中目标物的准确分割，以提高目标物的特征信息的准确度，从而可以根据两者综合确定该神经网络模型的损失，从而可以使得后续基于神经网络模型的损失值调整该神经网络模型的模型参数时，可以使得该神经网络模型更快、更准确的收敛，既可以提高神经网络模型的训练效率，又可以训练得出的描述信息生成模型的准确度。并且，在上述过程中综合考虑描述信息和分割信息的损失，可以一定程度上降低训练数据与测试数据出现偏差时，描述信息生成模型准确度的影响，从而可以提高训练得出的描述信息生成模型的泛化性，提高描述信息生成模型的应用范围。

可选地，在步骤13中，根据描述信息进行语音合成，以得到目标图像对应的音频信息的示例性实现方式如下，包括：

对所述描述信息进行语义校正，以得到校正后的目标描述信息；

根据所述目标描述信息进行语音合成，以得到所述音频信息。

示例地，可以通过大量语言文本基于lstm-rnn(长短期记忆循环神经网络)实现语言模型，从而基于语言模型对该描述信息进行语义校正，例如可以通过该语言模型进行语序校正，或者增加连接词等，从而使得校正后的目标描述信息中的语义更加符合用户的自然语言逻辑。其中，根据目标描述信息进行语音合成的方式与上文所述方式相同，在此不再赘述。

因此，通过上述技术方案，可以获得更加符合用户自然语言逻辑的目标描述信息，从而在提高该目标描述信息与目标图像的匹配度的同时，提高该目标描述信息的可读性，进一步提高该音频信息的可懂性。并且，无需用户手动进行校正，也可以进一步提高语音合成方法的自动化水平和简捷性，便于用户使用。

可选地，所述方法还包括：

获取目标图像对应的音乐信息，其中，该音乐信息用于对该目标图像进行背景音乐配乐。

作为示例，所述获取所述目标图像对应的音乐信息的实现方式如下，包括：

显示音频模板选择界面，其中，所述音频模板选择界面中承载有多个备选音频模板。示例地，该备选音频模板可以是用户剪辑上传的音乐片段，也可以是音频库中预先存储的音乐片段。

响应于用户在所述音频模板选择界面中的选择操作，将用户选择的音频模板确定为目标音频模板，并提取所述目标音频模板中的伴奏信息和歌词信息确定为所述音乐信息，即将该目标音频模板的歌词和伴奏进行分别提取，作为该音乐信息。

作为另一示例，所述获取所述目标图像对应的音乐信息的实现方式如下，包括：

接收用户输入的乐谱数据；

对所述乐谱数据进行解析，将解析获得的与所述乐谱数据对应的伴奏信息确定为所述音乐信息。其中，所述伴奏信息可以包括旋律信息、节拍信息、小节信息和段落信息中的一者或多者。

其中，可以将该乐谱数据输入音乐信息提取模型进行解析，示例地，该音乐信息提取模型可以是预先训练的模型，可以通过预先对训练乐谱进行标定如可以通过label对伴奏信息进行标识，从而可以基于训练乐谱和对应的伴奏信息标识获得该音乐信息提取模型。该音乐信息提取模型可以通过对训练乐谱基于任一机器学习的方式进行训练获得，本公开对此不进行限定。

由此，通过上述方式，用户只需要选择音频模板或者上传乐谱数据，便可以自动化获得用于对目标图像进行配乐的音乐信息，从而可以为后续的语音合成提供数据基础，便于合成具有旋律的语音信息，避免用户后续手动添加音乐的复杂操作，简化用户操作流程，便于用户使用。

相应地，在步骤13中，根据描述信息进行语音合成，以得到目标图像对应的音频信息的另一示例性实现方式如下，包括：

根据所述描述信息和所述音乐信息进行语音合成，以得到所述目标图像对应的音频信息。

可选地，所述根据所述描述信息和所述音乐信息进行语音合成，以得到所述目标图像对应的音频信息，包括：

根据所述音乐信息确定所述描述信息对应的语音声学特征信息；

根据所述语音声学特征信息进行语音合成，获得语音波形数据；

将所述语音波形数据和根据所述音乐信息确定出的伴奏波形数据进行合成，获得所述音频信息。

作为示例，若该音乐信息为从目标音乐模板中提取出的，则可以根据该音乐信息中的歌词信息确定描述信息中每个文字的演唱时长，例如可以通过将歌词信息和描述信息的文字序列强对齐的方式进行匹配，并根据描述信息中的每个文字的演唱时长和该音乐信息中的伴奏信息生成频谱数据，即获得该描述信息对应的语音声学特征信息。之后，可以通过声码器将该语音声学特征信息合成为语音波形数据。在该实施例中，可以直接从目标音频模板中提取不包括人声的伴奏音频，以获得该伴奏波形数据，进而将该语音波形数据与目标音频模板的伴奏波形数据进行合成，以获得该音频信息。

作为另一示例，若该音乐信息为从乐谱数据中解析出的，则可以通过音乐合成模型对描述信息和音乐信息进行处理，其中，所述音乐合成模型可以预先基于训练样本中的文本信息和伴奏信息通过神经网络模型进行联合处理训练得出，示例地，可以通过将训练样本的文本信息和伴奏信息作为模型输入，将训练样本的音乐中提取出的清唱数据和伴奏数据作为模型的目标输出，从而实现模型训练，获得音乐合成模型，通过对文本信息和乐理信息进行联合处理，从而可以使得描述信息对应的语音波形数据和音乐信息对应的语音波形数据相互调整，相互匹配。因此，可以将描述信息和音乐信息输入该音乐合成模型，则可以通过该音乐合成模型输出描述信息对应的语音声学特征信息和音乐信息对应的伴奏声学特征信息。之后则可以通过声码器对进行语音合成，获得语音声学特征信息对应的语音波形数据，并通过声码器对伴奏声学特征信息进行语音合成以获得伴奏波形数据，则可以将所述语音波形数据和根据所述音乐信息确定出的伴奏波形数据进行合成，获得所述音频信息。

由此，通过上述技术方案，可以通过获取音乐信息以获得包含音乐特征的音频信息，可以将目标图像对应的描述信息生成歌曲音频，从而可以拓展基于目标图像生成音频信息的多样性，便于用户进行个性化操作，贴合用户的使用需求，同时可以保证语音合成方法的简便性和自动化水平，进一步提升用户使用体验。

可选地，所述方法还包括：

确定所述音频信息中与所述目标物相关的音频片段。其中，可以将音频信息中与所述目标物相关联的片段确定为该音频片段，可以是对应包含该目标物的名称的音频片段，如目标物为太阳，则与该目标物相关的音频片段可以为音频信息中对应“太阳”的片段；也可以是与该目标物具有关联信息的片段，如如目标物为太阳，则与该目标物相关的音频片段可以为音频信息中对应“天气”的片段，其中该关联关系可以通过预先存储对应关系表查询实现，可以通过训练神经网络模型实现推理模型以进行关联推理，本公开对此不进行限定。

之后，根据所述音频片段，对所述目标物所在的图像区域进行特效处理，以得到特效图像。

其中，在确定出音频片段之后，可以根据音频片段对应的时长和图像帧帧率确定特效图像的帧数，图像帧帧率可以根据实际使用场景进行设置。其中，该特效处理可以是放大显示目标物所在的图像区域，也可以是透明化目标图像中除所述目标物所在的图像区域之外的区域等。上述特效处理可以在确定出目标物所在的图像区域的边界后，对该图像区域进行像素插值放大，或者通过对该边界外部的像素点乘以一透明率实现。

在一种可能的实施例中，可以通过上述方式生成多个相同的特效图像，在另一种可能的实施例中，可以通过上述方式生成多个不同的特效图像，以实现渐变显示的效果。例如，在对目标物所在的图像区域进行放大时，可以设置每一帧的放大率逐渐增加，从而实现目标物所在的图像区域逐渐放大的效果。又例如，可以设置每一帧特效图像对应的透明率逐渐增大，以实现突出显示该图像区域的效果。

在获得特效图像后，根据所述音频信息、所述目标图像和所述特效图像进行视频合成，以获得目标视频，其中，在所述目标视频中，所述音频片段对应的图像帧为所述特效图像。

在该实施例中可以根据该音频信息中的内容进行视频生成，即在音频信息中为目标物相关的音频片段时，对应的图像帧为该音频片段对应的特效图像，在音频信息中不为目标物相关的音频片段时，对应的图像帧即为该目标图像，从而可以在生成的目标视频中，在音频信息对应播放目标物相关的内容时，在显示的图像数据中可以突出显示该目标物对应的图像区域。

由此，通过上述技术方案，用户只需要上传目标图像，便可以基于该目标图像直接获得与该目标图像中的内容对应的视频信息，并且显示的图像数据可以随音频信息中的内容而变化，从而可以保证音频数据与图像数据的匹配度，提高获得的目标视频的准确度，简化用户操作，进一步贴合用户的使用需求，提升目标图像处理的多样化和个性化，进一步提升用户使用体验。

本公开还提供一种语音合成装置，如图3所示，所述装置300包括：

第一获取模块301，用于获取待处理的目标图像；

生成模块302，用于提取所述目标图像的第一特征信息和所述目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息；

合成模块303，用于根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息。

可选地，所述生成模块包括：

将所述目标图像输入至描述信息生成模型，以通过描述信息生成模型提取所述目标图像的第一特征信息和所述目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息；其中，所述描述信息生成模型包括：

第一特征提取子模型，用于对所述目标图像进行特征提取，以获得所述第一特征信息；

第二特征提取子模型，用于对所述目标图像进行图像分割，以确定所述目标图像中的至少一个目标物体，并将所述第二特征提取子模型中最后一个特征层中与所述目标物体对应的特征信息作为所述第二特征信息；

描述信息生成子模型，用于根据所述第一特征信息和所述第二特征信息获得目标特征信息，并根据所述目标特征信息生成所述目标图像对应的描述信息。

可选地，所述合成模块包括：

校正子模块，用于对所述描述信息进行语义校正，以得到校正后的目标描述信息；

第一合成子模块，用于根据所述目标描述信息进行语音合成，以得到所述音频信息。

可选地，所述装置还包括：

第二获取模块，用于获取所述目标图像对应的音乐信息；

所述合成模块包括：

第二合成子模块，用于根据所述描述信息和所述音乐信息进行语音合成，以得到所述目标图像对应的音频信息。

可选地，所述第二获取模块包括：

显示子模块，用于显示音频模板选择界面，其中，所述音频模板选择界面中承载有多个备选音频模板；

第一确定子模块，用于响应于用户在所述音频模板选择界面中的选择操作，将用户选择的音频模板确定为目标音频模板，并提取所述目标音频模板中的伴奏信息和歌词信息确定为所述音乐信息；

或者，所述第二获取模块包括：

接收子模块，用于接收用户输入的乐谱数据；

第二确定子模块，用于对所述乐谱数据进行解析，将解析获得的与所述乐谱数据对应的伴奏信息确定为所述音乐信息。

可选地，所述装置还包括：

确定模块，用于确定所述音频信息中与所述目标物相关的音频片段；

处理模块，用于根据所述音频片段，对所述目标物所在的图像区域进行特效处理，以得到特效图像；

第三合成模块，用于根据所述音频信息、所述目标图像和所述特效图像进行视频合成，以获得目标视频，其中，在所述目标视频中，所述音频片段对应的图像帧为所述特效图像。

可选地，所述第二合成子模块包括：

第三确定子模块，用于根据所述音乐信息确定所述描述信息对应的语音声学特征信息；

第三合成子模块，用于根据所述语音声学特征信息进行语音合成，获得语音波形数据；

第四合成子模块，用于将所述语音波形数据和根据所述音乐信息确定出的伴奏波形数据进行合成，获得所述音频信息。

可选地，所述描述信息生成模型通过以下方式获得：

获取样本图像、与所述样本图像对应的目标文本信息和所述样本图像中的样本物对应的目标分割信息，其中，所述目标分割信息用于表征所述样本物在所述样本图像中的位置；

根据所述样本图像、所述目标文本信息和所述目标分割信息，对神经网络模型进行训练，以得到所述描述信息生成模型。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备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4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。

如图4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ram603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、rom602以及ram603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。

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4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。

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rom602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。

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。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，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，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

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。

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：获取待处理的目标图像；提取所述目标图像的第一特征信息和所述目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息；根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息。

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)。

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。

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“获取待处理的目标图像的模块”。

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。

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。

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，其中，所述方法包括：

获取待处理的目标图像；

根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息。

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，其中，所述提取所述目标图像的第一特征信息和所述目标图像中至少一个目标物的第二特征信息，并根据所述第一特征信息和所述第二特征信息，生成所述目标图像对应的描述信息，包括：

第一特征提取子模型，用于对所述目标图像进行特征提取，以获得所述第一特征信息；

根据本公开的一个或多个实施例，示例3提供了示例1的方法，其中，所述根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息，包括：

对所述描述信息进行语义校正，以得到校正后的目标描述信息；

根据所述目标描述信息进行语音合成，以得到所述音频信息。

根据本公开的一个或多个实施例，示例4提供了示例1的方法，其中，所述方法还包括：

获取所述目标图像对应的音乐信息；

所述根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息，包括：

根据所述描述信息和所述音乐信息进行语音合成，以得到所述目标图像对应的音频信息。

根据本公开的一个或多个实施例，示例5提供了示例4的方法，其中，所述获取所述目标图像对应的音乐信息，包括：

显示音频模板选择界面，其中，所述音频模板选择界面中承载有多个备选音频模板；

响应于用户在所述音频模板选择界面中的选择操作，将用户选择的音频模板确定为目标音频模板，并提取所述目标音频模板中的伴奏信息和歌词信息确定为所述音乐信息；

或者，所述获取所述目标图像对应的音乐信息，包括：

接收用户输入的乐谱数据；

对所述乐谱数据进行解析，将解析获得的与所述乐谱数据对应的伴奏信息确定为所述音乐信息。

根据本公开的一个或多个实施例，示例6提供了示例4或示例5的方法，其中，所述方法还包括：

确定所述音频信息中与所述目标物相关的音频片段；

根据所述音频片段，对所述目标物所在的图像区域进行特效处理，以得到特效图像；

根据所述音频信息、所述目标图像和所述特效图像进行视频合成，以获得目标视频，其中，在所述目标视频中，所述音频片段对应的图像帧为所述特效图像。

根据本公开的一个或多个实施例，示例7提供了示例4或示例5的方法，其中，所述根据所述描述信息和所述音乐信息进行语音合成，以得到所述目标图像对应的音频信息，包括：

根据所述音乐信息确定所述描述信息对应的语音声学特征信息；

根据所述语音声学特征信息进行语音合成，获得语音波形数据；

将所述语音波形数据和根据所述音乐信息确定出的伴奏波形数据进行合成，获得所述音频信息。

根据本公开的一个或多个实施例，示例8提供了示例2的方法，其中，所述描述信息生成模型通过以下方式获得：

根据所述样本图像、所述目标文本信息和所述目标分割信息，对神经网络模型进行训练，以得到所述描述信息生成模型。

根据本公开的一个或多个实施例，示例9提供了一种语音合成装置，其中，所述装置包括：

第一获取模块，用于获取待处理的目标图像；

合成模块，用于根据所述描述信息进行语音合成，以得到所述目标图像对应的音频信息。

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1-8中任一示例所述方法的步骤。

根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-8中任一示例所述方法的步骤。

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。

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。

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。

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。