用于生成合成语音的方法、装置、设备和介质与流程

本公开的实施例涉及计算机技术领域，具体涉及用于生成合成语音的方法和装置。

背景技术：

随着人工智能技术的发展，各种机器学习模型取得了越来越多的应用。对于机器学习模型来说，训练数据的数量往往是决定模型性能的主要因素。

例如，在语音合成领域，对于训练数据量很少的语种，现有技术往往由于训练数据的样本量不足导致训练得到的语音合成模型的稳定性较差，且识别准确度偏低。

技术实现要素：

本公开提出了用于生成合成语音的方法、装置、设备和介质。

第一方面，本公开的实施例提供了一种用于生成合成语音的方法，该方法包括：获取第一数目个声纹特征；利用第一数目个声纹特征合成第二数目个声纹特征，其中，第二数目大于第一数目；获取第三数目个文本；根据第二数目个声纹特征和第三数目个文本，生成合成语音集合。

在一些实施例中，上述利用第一数目个声纹特征合成第二数目个声纹特征，包括：从第一数目个声纹特征中选取声纹特征进行按比例融合操作，生成第二数目个声纹特征。

在一些实施例中，上述获取第一数目个声纹特征，包括：获取第一语音集合，其中，上述第一语音集合中包括语种一致的语音；将第一语音集合中的语音输入至预先训练的声纹识别模型，得到与输入的语音对应的声纹特征。

在一些实施例中，上述获取第一语音集合，包括：获取第二语音集合，其中，第二语音集合中包括的语音的数目大于第一语音集合中包括的语音的数目；将第二语音集合中的语音输入至预先训练的语音识别模型，得到与输入的语音对应的识别文本；根据所得到的识别文本的识别率，从第二语音集合中选取语音生成第一语音集合。

在一些实施例中，上述根据所得到的识别文本的识别率，从第二语音集合中选取语音生成第一语音集合，包括：响应于确定所得到的识别文本的识别率大于预设阈值，将所得到的识别文本对应的语音输入至预先训练的语音质量检测模型，得到与输入的语音对应的质量得分；根据所得到的质量得分，从识别率大于预设阈值的识别文本对应的语音中选取语音生成第一语音集合。

第二方面，本公开的实施例提供了一种用于训练语音合成模型的方法，该方法包括：获取训练样本集合，其中，训练样本集合包括如第一方面中任一实施例的方法生成的合成语音集合和与合成语音集合对应的第三数目个文本；获取初始语音合成模型；将训练样本集合中的训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到语音合成模型。

在一些实施例中，该方法还包括：获取目标声纹特征；从训练样本集合中选取目标声纹特征对应的训练样本生成目标训练样本集合；将语音合成模型确定为初始目标声纹语音合成模型；将目标训练样本集合中的目标训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到目标声纹语音合成模型。

第三方面，本公开的实施例提供了一种用于生成合成语音的装置，该装置包括：第一获取单元，被配置成获取第一数目个声纹特征；合成单元，被配置成利用第一数目个声纹特征合成第二数目个声纹特征，其中，第二数目大于第一数目；第二获取单元，被配置成获取第三数目个文本；生成单元，被配置成根据第二数目个声纹特征和第三数目个文本，生成合成语音集合。

第四方面，本公开的实施例提供了一种用于训练语音合成模型的装置，该装置包括：第三获取单元，被配置成获取训练样本集合，其中，训练样本集合包括如第一方面中任一实施例的方法生成的合成语音集合和与合成语音集合对应的第三数目个文本；第四获取单元，被配置成获取初始语音合成模型；训练单元，被配置成将训练样本集合中的训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到语音合成模型。

第五方面，本公开的实施例提供了一种用于生成合成语音的服务器，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于生成合成语音的方法或用于训练语音合成模型的方法中任一实施例的方法。

第六方面，本公开的实施例提供了一种用于生成合成语音的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于生成合成语音的方法或用于训练语音合成模型的方法中任一实施例的方法。

本公开的实施例提供的用于生成合成语音的方法和装置，通过所获取的第一数目个声纹特征合成第二数目个声纹特征。其中，第二数目大于第一数目。而后，根据第二数目个声纹特征和所获取的第三数目个文本，生成合成语音集合。实现了根据现有声纹特征扩增具有更多声纹特征的合成语音，从而为语料较少的训练样本扩增提供数据基础。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成合成语音的方法的一个实施例的流程图；

图3是根据本公开的用于生成合成语音的方法的一个应用场景的示意图；

图4是根据本公开的用于训练语音合成模型的方法的又一个实施例的流程图；

图5是根据本公开的用于生成合成语音的装置的一个实施例的结构示意图；

图6是根据本公开的用于训练语音合成模型的装置的一个实施例的结构示意图；

图7是适于用来实现本公开的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公开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本公开的实施例，而非对本公开的实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开的实施例相关的部分。

需要说明的是，在不冲突的情况下，本公开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公开。

图1示出了可以应用本公开的实施例的用于生成合成语音的方法或用于生成合成语音的装置的实施例的示例性系统架构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和服务器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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送数据等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频播放软件、新闻资讯类应用、音频处理类应用、录音软件、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有麦克风并且支持音频录制的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上音频处理类应用提供支持的后台服务器。后台服务器可以对接收到的音频等数据进行分析等处理，并将处理结果(例如合成语音)反馈给终端设备。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开的实施例所提供的用于生成合成语音的方法通常由服务器执行。相应地，用于生成合成语音的装置包括的各个部分(例如各个单元、子单元、模块、子模块)通常设置于服务器中。

应该理解，图1中的终端设备、网络和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、网络和服务器。当用于生成合成语音的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于生成合成语音的方法运行于其上的电子设备(例如服务器或终端设备)。

继续参考图2，示出了根据本公开的用于生成合成语音的方法的一个实施例的流程200。该用于生成合成语音的方法，包括以下步骤：

步骤201，获取第一数目个声纹特征。

在本实施例中，用于生成合成语音的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如终端设备101)或者软件模块(例如用于存储声纹特征的软件模块)获取第一数目个声纹特征。其中，上述声纹特征可以用于表征说话人的音色。

在本实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤获取第一数目个声纹特征：

第一步，获取第一语音集合。

在这些实现方式中，上述执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如数据库服务器)或者软件模块(例如用于存储语音集合的软件模块)获取第一语音集合。其中，上述第一语音集合中包括语种一致的语音。作为示例，上述第一语音集合可以包括200人使用印度方言说话的语音。

可选地，上述执行主体可以通过以下步骤获取第一语音集合：

s1、获取第二语音集合。

在这些实现方式中，上述执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如数据库服务器)或者软件模块(例如用于存储语音集合的软件模块)获取第二语音集合。其中，上述第二语音集合中包括的语音的数目通常大于上述第一语音集合中包括的语音的数目。

s2、将第二语音集合中的语音输入至预先训练的语音识别模型，得到与输入的语音对应的识别文本。

在这些实现方式中，上述执行主体可以将上述步骤s1所获取的第二语音集合中的语音输入至预先训练的语音识别模型，得到与输入的语音对应的识别文本。其中，上述语音识别模型可以包括各种通过机器学习方式训练得到的用于表征语音与识别文本之间对应关系的模型。

s3、根据所得到的识别文本的识别率，从第二语音集合中选取语音生成第一语音集合。

在这些实现方式中，上述执行主体可以根据上述步骤s2所得到的识别文本确定识别文本的识别率。其中，上述识别率可以包括但不限于以下至少一项：wer(词错误率，worderrorrate)，ser(句错误率，sentenceerrorrate)。上述识别率也可以包括根据上述错误了所确定的识别正确率。而后，上述执行主体可以通过各种方式从上述步骤s1所获取的第二语音集合中选取语音，以生成上述第一语音集合。作为示例，上述执行主体可以按照识别错误率从低至高或识别正确率从高至低的顺序选取。作为又一示例，上述执行主体可以选取识别错误率小于预设错误率阈值或识别正确率大于预设正确率阈值的语音。

基于上述可选的实现方式，上述执行主体可以选取可懂度较高的语音作为训练样本，从而提高训练样本的质量。

可选地，上述执行主体还可以按照以下步骤生成第一语音集合：

s31、响应于确定所得到的识别文本的识别率大于预设阈值，将所得到的识别文本对应的语音输入至预先训练的语音质量检测模型，得到与输入的语音对应的质量得分。

在这些实现方式中，响应于确定所得到的识别文本的识别率大于预设阈值(通常指识别错误率小于预设错误率阈值或识别正确率大于预设正确率阈值)，上述执行主体可以将所得到的识别文本对应的语音输入至预先训练的语音质量检测模型，得到与输入的语音对应的质量得分。其中，上述语音质量检测模型可以包括各种通过机器学习方式训练得到的用于表征语音与质量得分之间对应关系的模型。上述语音质量模型可以利用发音饱满程度、语音连贯性、信噪比、音调起伏感至少之一不同的样本语音和对应的表征样本语音质量得分的样本标注信息训练得到。

s32、根据所得到的质量得分，从识别率大于预设阈值的识别文本对应的语音中选取语音生成第一语音集合。

在这些实现方式中，根据上述步骤s31所得到的质量得分，上述执行主体可以通过各种方式从识别率大于预设阈值(通常指识别错误率小于预设错误率阈值或识别正确率大于预设正确率阈值)的识别文本对应的语音中选取语音生成上述第一语音集合。作为示例，上述执行主体可以首先根据质量得分选取第一准语音集合。其中，上述第一准语音集合中的语音包括质量得分超过预设质量阈值的语音，也可以包括质量得分从高至低排列的前n个语音。而后，上述执行主体可以按照与前述步骤s3中的描述一致的方法，根据识别率从上述第一准语音集合中选取语音生成上述第一语音集合。

基于上述可选的实现方式，上述执行主体可以选取音质较好的语音作为训练样本，从而进一步提高训练样本的质量。

第二步，将第一语音集合中的语音输入至预先训练的声纹识别模型，得到与输入的语音对应的声纹特征。

在这些实现方式中，上述执行主体可以将上述第一步所获取的第一语音集合中的语音输入至预先训练的声纹识别模型，得到与输入的语音对应的声纹特征。其中，上述声纹识别模型可以包括各种通过机器学习方式训练得到的用于表征语音与声纹特征之间对应关系的模型。

基于上述可选的实现方式，上述执行主体可以利用预先训练的声纹识别模型提取真实语音对应的声纹特征。

步骤202，利用第一数目个声纹特征合成第二数目个声纹特征。

在本实施例中，上述执行主体可以利用步骤201所获取的第一数目个声纹特征，通过各种方式合成第二数目个声纹特征。其中，上述第二数目通常大于上述第一数目。作为示例，上述执行主体可以从上述第一数目个声纹特征中选取两个声纹特征(例如声纹特征a和声纹特征b)，而后选取声纹特征a和b中各对应的特征向量中的元素的较大值或较小值或介于较小值和较大值之间的任意值作为新生成的声纹特征中的元素。例如，声纹特征a的embedding可以为(10,11,10)，声纹特征b的embedding可以为(9,12,8)。从而，新生成的声纹特征可以包括(10,12,10)、(9,11,8)、(9,12,9)。

在本实施例的一些可选的实现方式中，上述执行主体可以从上述第一数目个声纹特征中选取声纹特征进行按比例融合操作，生成第二数目个声纹特征。作为示例，上述执行主体可以从上述第一数目个声纹特征中选取两个声纹特征(例如声纹特征x和声纹特征y)进行加权(例如70％声纹特征x+30％声纹y)生成新的声纹特征。而后，上述执行主体可以得到大量的新的声纹特征。

基于上述可选的实现方式，上述执行主体可以通过权重取值实现每一个真实声纹特征向另一个真实声纹特征的近乎平滑过渡，并在这一过程中合成大量的新的声纹特征，从而为样本扩增提供坚实的数据基础。

步骤203，获取第三数目个文本。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如终端设备101)或者软件模块(例如用于存储声纹特征的软件模块)获取第三数目个文本。其中，上述文本可以用于表征合成语音的内容。

步骤204，根据第二数目个声纹特征和第三数目个文本，生成合成语音集合。

在本实施例中，根据步骤202所合成的第二数目个声纹特征和步骤203所获取的第三数目个文本，上述执行主体可以利用各种语音合成(texttospeech,tts)方法生成合成语音集合。其中，上述合成语音集合中的语音可以包括具有上述第二数目个声纹特征所指示的音色、并且包含上述第三数目个文本所指示的内容的语音。

继续参见图3，图3是根据本实施例的用于生成合成语音的方法的应用场景的一个示意图。在图3的应用场景中，用户301可以通过终端302点击“合成语音”按钮。终端302可以向服务器303发送语音合成请求304。服务器303可以根据语音合成请求304的指示或预设规则获取200个不同的声纹特征305。而后，服务器303利用上述200个不同的声纹特征305通过各种方式合成1000个声纹特征306。之后，服务器303可以获取100个不同的文本307。最后，服务器303可以将合成的1000个声纹特征306和100个不同的文本307，生成合成语音集合308。其中，上述合成语音集合中的合成语音的音色可以包括上述1000个声纹特征所指示的音色。上述合成语音集合中的合成语音的内容可以包括上述100个文本所指示的内容。可选地，上述执行主体还可以将所生成的合成语音集合反馈给终端302。

本公开的上述实施例提供的方法，通过将第一数目个声纹特征合成第二数目个声纹特征并藉此生成合成语音集合，实现了根据现有声纹特征扩增具有更多声纹特征的合成语音，从而为语料较少的训练样本扩增提供数据基础。

进一步参考图4，其示出了用于训练语音合成模型的方法的又一个实施例的流程400。该用于训练语音合成模型的方法的流程400，包括以下步骤：

步骤401，获取训练样本集合。

在本实施例中，用于训练语音合成模型的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如数据库服务器101)或者软件模块(例如用于存储训练样本集合的软件模块)获取训练样本集合。其中，上述训练样本集合可以包括采用如前述用于生成合成语音的方法而得到的合成语音集合和与上述合成语音集合对应的第三数目个文本。

需要说明的是，对上述合成语音集合和第三数目个文本的描述可以与前述实施例的描述一致，此处不再赘述。

步骤402，获取初始语音合成模型。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如数据库服务器101)或者软件模块(例如用于存储初始语音合成模型的软件模块)获取初始语音合成模型。其中，上述初始语音合成模型可以包括各种能够用于语音合成的神经网络模型，例如rnn(递归神经网络，recurrentneuralnetworks)。

步骤403，将训练样本集合中的训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到语音合成模型。

在本实施例中，上述执行主体可以将上述步骤401所获取的训练样本的文本作为上述步骤402所获取的初始语音合成模型的输入，得到对应的输出结果。而后，上述执行主体可以将上述所得到的输出结果与输入的文本对应的合成语音进行比较，生成差异值。根据所得到的差异值对上述初始语音合成模型的参数进行调整，将调整后的模型作为新的初始语音合成模型继续训练。并且，在满足训练结束条件的情况下结束训练，上述执行主体可以将训练所得到的参数调整后的初始语音合成模型确定为上述语音合成模型。

在本实施例的一些可选的实现方式中，上述执行主体可以继续执行以下步骤：

第一步，获取目标声纹特征。

在这些实现方式中，上述执行主体可以通过有线连接方式或者无线连接方式从本地或其他电子设备(例如数据库服务器101)或者软件模块(例如用于存储目标声纹特征的软件模块)获取目标声纹特征。其中，上述目标声纹特征可以包括上述第二数目个声纹特征中的任意特征。

第二步，从训练样本集合中选取目标声纹特征对应的训练样本生成目标训练样本集合。

在这些实现方式中，上述执行主体可以从步骤401获取的训练样本集合中选取上述第一步所获取的目标声纹特征对应的训练样本，以生成目标训练样本集合。

第三步，将语音合成模型确定为初始目标声纹语音合成模型。

在这些实现方式中，上述执行主体可以将上述步骤403所训练得到的语音合成模型确定为初始目标声纹语音合成模型。

第四步，将目标训练样本集合中的目标训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到目标声纹语音合成模型。

在这些实现方式中，上述执行主体可以按照与上述步骤403一致的方式训练上述目标声纹语音合成模型。

基于上述可选的实现方式，上述执行主体可以基于上述训练所得到的语音合成模型，采用目标训练样本继续训练，从而得到能够将上述文本转换为上述目标声纹所指示的音色的语音的目标声纹语音合成模型。

需要说明的是，除上面所记载的内容外，本公开的实施例还可以包括与图2对应的实施例相同或类似的特征、效果，在此不再赘述。

从图4中可以看出，本实施例中的用于训练语音合成模型的方法的流程400突出了利用包括前述合成语音集合的训练样本对语音合成模型进行训练的步骤。由此，本实施例描述的方案可以利用更多的样本数据对语音识别模型进行训练，从而对于一些真实样本量明显不足的语料(例如小语种方言等)的语音合成模型的稳定性和准确率起到明显的提升效果。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成合成语音的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征，以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成合成语音的装置500包括：第一获取单元501、合成单元502、第二获取单元503和生成单元504。其中，第一获取单元501，被配置成获取第一数目个声纹特征；合成单元502，被配置成利用第一数目个声纹特征合成第二数目个声纹特征，其中，第二数目大于第一数目；第二获取单元503，被配置成获取第三数目个文本；生成单元504，被配置成根据第二数目个声纹特征和第三数目个文本，生成合成语音集合。

在本实施例中，用于生成合成语音的装置500中：第一获取单元501、合成单元502、第二获取单元503和生成单元504的具体处理及其所带来的技术效果可分别参考图2对应的实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述合成单元502可以进一步被配置成从第一数目个声纹特征中选取声纹特征进行按比例融合操作，生成第二数目个声纹特征。

在本实施例的一些可选的实现方式中，上述第一获取单元501可以包括：第一获取子单元(图中未示出)、生成子单元(图中未示出)。其中，上述第一获取子单元可以被配置成获取第一语音集合。其中，上述第一语音集合中可以包括语种一致的语音。上述生成子单元被配置成将第一语音集合中的语音输入至预先训练的声纹识别模型，得到与输入的语音对应的声纹特征。

在本实施例的一些可选的实现方式中，上述第一获取子单元可以包括：获取模块(图中未示出)、生成模块(图中未示出)、选取模块(图中未示出)。其中，上述获取模块可以被配置成获取第二语音集合。其中，上述第二语音集合中可以包括的语音的数目大于第一语音集合中包括的语音的数目。上述生成模块被配置成将第二语音集合中的语音输入至预先训练的语音识别模型，得到与输入的语音对应的识别文本。上述选取模块被配置成根据所得到的识别文本的识别率，从第二语音集合中选取语音生成第一语音集合。

在本实施例的一些可选的实现方式中，上述选取模块可以包括：生成子模块(图中未示出)、选取子模块(图中未示出)。其中，上述生成子模块，可以被配置成响应于确定所得到的识别文本的识别率大于预设阈值，将所得到的识别文本对应的语音输入至预先训练的语音质量检测模型，得到与输入的语音对应的质量得分。上述选取子模块，可以被配置成根据所得到的质量得分，从识别率大于预设阈值的识别文本对应的语音中选取语音生成第一语音集合。

本公开的上述实施例提供的装置，通过第一获取单元501获取第一数目个声纹特征。而后，合成单元502利用第一数目个声纹特征合成第二数目个声纹特征。其中，上述第二数目大于上述第一数目。之后，第二获取单元503获取第三数目个文本。最后，生成单元504根据第二数目个声纹特征和第三数目个文本，生成合成语音集合。实现了根据现有声纹特征扩增具有更多声纹特征的合成语音，从而为语料较少的训练样本扩增提供数据基础，有助于提升语音合成模型的准确性。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于训练语音合成模型的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图4所示的方法实施例相同或相应的特征，以及产生与图4所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于训练语音合成模型的装置600包括：第三获取单元601、第四获取单元602和训练单元603。其中，上述第三获取单元601，被配置成获取训练样本集合，其中，上述训练样本集合包括如前述用于合成语音的方法所生成的合成语音集合和与合成语音集合对应的第三数目个文本；第四获取单元602，被配置成获取初始语音合成模型；训练单元603，被配置成将训练样本集合中的训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到语音合成模型。

在本实施例中，用于训练语音合成模型的装置600中：第三获取单元601、第四获取单元602和训练单元603的具体处理及其所带来的技术效果可分别参考图4对应的实施例中的步骤401、步骤402和步骤403的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述用于训练语音合成模型的装置600还可以包括：第五获取单元(图中未示出)、选取单元(图中未示出)、确定单元(图中未示出)、继续训练单元(图中未示出)。其中，上述第五获取单元可以被配置成获取目标声纹特征。上述选取单元可以被配置成从训练样本集合中选取目标声纹特征对应的训练样本生成目标训练样本集合。上述确定单元可以被配置成将语音合成模型确定为初始目标声纹语音合成模型。上述继续训练单元可以被配置成将目标训练样本集合中的目标训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到目标声纹语音合成模型。

本公开的上述实施例提供的装置，通过第三获取单元601获取训练样本集合。其中，上述训练样本集合包括如用于合成语音的方法所生成的合成语音集合和与上述合成语音集合对应的第三数目个文本。而后，第四获取单元602获取初始语音合成模型。最后，训练单元603将训练样本集合中的训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到语音合成模型。实现了利用更多的样本数据对语音识别模型进行训练，从而对于一些真实样本量明显不足的语料(例如小语种方言等)的语音合成模型的准确率起到明显的提升效果。

下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)700的结构示意图。本公开的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示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

通常，以下装置可以连接至i/o接口705：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706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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709从网络上被下载和安装，或者从存储装置708被安装，或者从rom702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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。

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实施例的操作的计算机程序代码，所述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。

根据本公开的一个或多个实施例，本公开提供了一种用于生成合成语音的方法，该方法包括：获取第一数目个声纹特征；利用第一数目个声纹特征合成第二数目个声纹特征，其中，第二数目大于第一数目；获取第三数目个文本；根据第二数目个声纹特征和第三数目个文本，生成合成语音集合。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的方法中，上述利用第一数目个声纹特征合成第二数目个声纹特征，包括：从第一数目个声纹特征中选取声纹特征进行按比例融合操作，生成第二数目个声纹特征。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的方法中，上述获取第一数目个声纹特征，包括：获取第一语音集合，其中，上述第一语音集合中包括语种一致的语音；将第一语音集合中的语音输入至预先训练的声纹识别模型，得到与输入的语音对应的声纹特征。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的方法中，上述获取第一语音集合，包括：获取第二语音集合，其中，第二语音集合中包括的语音的数目大于第一语音集合中包括的语音的数目；将第二语音集合中的语音输入至预先训练的语音识别模型，得到与输入的语音对应的识别文本；根据所得到的识别文本的识别率，从第二语音集合中选取语音生成第一语音集合。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的方法中，上述根据所得到的识别文本的识别率，从第二语音集合中选取语音生成第一语音集合，包括：响应于确定所得到的识别文本的识别率大于预设阈值，将所得到的识别文本对应的语音输入至预先训练的语音质量检测模型，得到与输入的语音对应的质量得分；根据所得到的质量得分，从识别率大于预设阈值的识别文本对应的语音中选取语音生成第一语音集合。

根据本公开的一个或多个实施例，本公开提供了一种用于训练语音合成模型的方法，该方法包括：获取训练样本集合，其中，训练样本集合包括如用于合成语音的方法生成的合成语音集合和与合成语音集合对应的第三数目个文本；获取初始语音合成模型；将训练样本集合中的训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到语音合成模型。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的方法中，该方法还包括：获取目标声纹特征；从训练样本集合中选取目标声纹特征对应的训练样本生成目标训练样本集合；将语音合成模型确定为初始目标声纹语音合成模型；将目标训练样本集合中的目标训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到目标声纹语音合成模型。

根据本公开的一个或多个实施例，本公开提供了一种用于生成合成语音的装置，该装置包括：第一获取单元，被配置成获取第一数目个声纹特征；合成单元，被配置成利用第一数目个声纹特征合成第二数目个声纹特征，其中，第二数目大于第一数目；第二获取单元，被配置成获取第三数目个文本；生成单元，被配置成根据第二数目个声纹特征和第三数目个文本，生成合成语音集合。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的装置中，上述合成单元可以进一步被配置成从第一数目个声纹特征中选取声纹特征进行按比例融合操作，生成第二数目个声纹特征。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的装置中，上述第一获取单元包括：第一获取子单元，被配置成获取第一语音集合，其中，上述第一语音集合中可以包括语种一致的语音；生成子单元，被配置成将第一语音集合中的语音输入至预先训练的声纹识别模型，得到与输入的语音对应的声纹特征。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的装置中，上述第一获取子单元包括：获取模块，被配置成获取第二语音集合，其中，上述第二语音集合中可以包括的语音的数目大于第一语音集合中包括的语音的数目；生成模块，被配置成将第二语音集合中的语音输入至预先训练的语音识别模型，得到与输入的语音对应的识别文本；选取模块，被配置成根据所得到的识别文本的识别率，从第二语音集合中选取语音生成第一语音集合。

根据本公开的一个或多个实施例，本公开提供的用于生成合成语音的装置中：选取模块包括：生成子模块，被配置成响应于确定所得到的识别文本的识别率大于预设阈值，将所得到的识别文本对应的语音输入至预先训练的语音质量检测模型，得到与输入的语音对应的质量得分；选取子模块，被配置成根据所得到的质量得分，从识别率大于预设阈值的识别文本对应的语音中选取语音生成第一语音集合。

根据本公开的一个或多个实施例，本公开提供了一种用于训练语音合成模型的装置，该装置包括：第三获取单元，被配置成获取训练样本集合，其中，上述训练样本集合包括如前述用于合成语音的方法所生成的合成语音集合和与合成语音集合对应的第三数目个文本；第四获取单元，被配置成获取初始语音合成模型；训练单元，被配置成将训练样本集合中的训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到语音合成模型。

根据本公开的一个或多个实施例，本公开提供的用于训练语音合成模型的装置还包括：第五获取单元，被配置成获取目标声纹特征；选取单元，被配置成从训练样本集合中选取目标声纹特征对应的训练样本生成目标训练样本集合；确定单元，被配置成将语音合成模型确定为初始目标声纹语音合成模型；继续训练单元，被配置成将目标训练样本集合中的目标训练样本的文本作为输入，将与输入的文本对应的合成语音作为期望输出，训练得到目标声纹语音合成模型。

描述于本公开的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：一种处理器包括第一获取单元、合成单元、第二获取单元和生成单元。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，接收单元还可以被描述为“获取第一数目个声纹特征的单元”。

作为另一方面，本公开的实施例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：获取第一数目个声纹特征；利用第一数目个声纹特征合成第二数目个声纹特征，其中，第二数目大于第一数目；获取第三数目个文本；根据第二数目个声纹特征和第三数目个文本，生成合成语音集合。

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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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。

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