中文语音合成方法、装置、终端及存储介质

技术领域

本申请涉及语音合成技术领域，尤其涉及一种中文语音合成方法、装置、终端及存储介质。

背景技术

中文语音合成是指将中文语句转换为语音。典型的语音合成系统主要包括三个部分：TTS(Text To Speech，从文本到语音)前端、声学模型(Acoustic Model)和声码器(Vocoder)。

目前，在进行中文语音合成时，通常直接使用汉语拼音的音素(比如，BOPOMOFO的中文注音格式)序列作为声学模型的输入。然而，音素序列没有显性包含中文句子的含义，给声学模型学习发音规律增加了难度，导致语音合成速度和质量较差。

发明内容

本申请实施例提供了一种中文语音合成方法、装置、终端及存储介质，以解决目前仅以音素序列作为声学模型的输入，给声学模型学习发音规律带来难度，导致语音合成速度和质量较差的问题。

第一方面，本申请实施例提供了一种中文语音合成方法，包括：

获取中文语句，并对中文语句进行亚字识别，得到亚字序列；其中，亚字序列中的每个亚字包含对应汉字的含义；

对亚字序列进行音素转换，得到音素序列和音素位置序列；

对亚字序列进行词嵌入处理，得到亚字向量；

将音素序列、音素位置序列和亚字向量输入训练好的中文语音合成模型中，得到中文语句对应的梅尔频谱；梅尔频谱用于合成中文语句对应的语音。

在一种可能的实现方式中，中文语音合成模型包括逐步优化循环网络子模型、语言编码器、音素词嵌入子模型、韵律识别子模型和声学子模型。

在一种可能的实现方式中，将音素序列、音素位置序列和亚字向量输入训练好的中文语音合成模型中，得到中文语句对应的梅尔频谱，包括：

基于音素序列、音素位置序列、亚字向量、训练好的逐步优化循环网络子模型、训练好的语言编码器、训练好的音素词嵌入子模型和训练好的韵律识别子模型，得到韵律插入向量；韵律插入向量包含中文语句的句意信息、音素信息和韵律信息；

将韵律插入向量输入到训练好的声学子模型中，得到中文语句对应的梅尔频谱。

在一种可能的实现方式中，基于音素序列、音素位置序列、亚字向量、训练好的逐步优化循环网络子模型、训练好的语言编码器、训练好的音素词嵌入子模型和训练好的韵律识别子模型，得到韵律插入向量，包括：

将亚字向量输入训练好的逐步优化循环网络子模型，得到变换后的第一向量；

获取亚字序列的位置编码，并将亚字序列的位置编码和第一向量相加后得到的向量输入到训练好的语言编码器，得到第三向量；

将音素序列输入到训练好的音素词嵌入子模型中，得到音素向量；

根据音素位置序列，对第三向量进行切片操作，得到第四向量，并将第四向量与音素向量相加，得到第五向量；

将第五向量输入到训练好的韵律识别子模型中，得到韵律信息；

将韵律信息插入到第五向量中，得到韵律插入向量。

在一种可能的实现方式中，在将音素序列、音素位置序列和亚字向量输入训练好的中文语音合成模型中，得到中文语句对应的梅尔频谱之前，中文语音合成方法还包括：

获取训练样本集；

根据训练样本集，对逐步优化循环网络子模型、语言编码器、音素词嵌入子模型、韵律识别子模型和声学子模型同时进行训练，得到训练好的中文语音合成模型。

在一种可能的实现方式中，声学子模型包括FastSpeech2模型。

在一种可能的实现方式中，对亚字序列进行音素转换，得到音素序列和音素位置序列，包括：

将亚字序列中的每个亚字的拼音分割成对应的声母、韵母和声调；

基于亚字序列中的各亚字对应的声母、韵母和声调以及中文语句中的标点符号，得到音素序列；

获取音素序列中的各音素所属汉字在中文语句中的位置序号，得到音素位置序列。

第二方面，本申请实施例提供了一种中文语音合成装置，包括：

亚字识别模块，用于获取中文语句，并对中文语句进行亚字识别，得到亚字序列；其中，亚字序列中的每个亚字包含对应汉字的含义；

音素转换模块，用于对亚字序列进行音素转换，得到音素序列和音素位置序列；

亚字词嵌入模块，用于对亚字序列进行词嵌入处理，得到亚字向量；

语音合成模块，用于将音素序列、音素位置序列和亚字向量输入训练好的中文语音合成模型中，得到中文语句对应的梅尔频谱；梅尔频谱用于合成中文语句对应的语音。

第三方面，本申请实施例提供了一种终端，包括处理器和存储器，存储器用于存储计算机程序，处理器用于调用并运行存储器中存储的计算机程序，执行如上第一方面或第一方面的任一种可能的实现方式所述的中文语音合成方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的中文语音合成方法的步骤。

本申请实施例提供一种中文语音合成方法、装置、终端及存储介质，通过对中文语句进行亚字识别，得到包含对应汉字的含义的亚字组成的亚字序列，根据亚字序列得到包含汉字含义的亚字向量，最后，将包含中文含义的亚字向量、包含音素信息的音素序列和包含音素位置信息的音素位置序列输入训练好的中文语音合成模型中，得到中文语句对应的梅尔频谱，通过包含中文含义的亚字向量、包含音素信息的音素序列和包含音素位置信息的音素位置序列作为输入，可以降低中文语音合成模型学习发音规律的难度，提升语音合成的速度和质量。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的中文语音合成方法的实现流程图；

图2是本申请又一实施例提供的中文语音合成方法的实现流程图；

图3是本申请一实施例提供的中文语音合成装置的结构示意图；

图4是本申请一实施例提供的终端的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

参见图1，其示出了本申请实施例提供的中文语音合成方法的实现流程图，该中文语音合成方法的执行主体可以是终端。

上述中文语音合成方法详述如下：

在S101中，获取中文语句，并对中文语句进行亚字识别，得到亚字序列；其中，亚字序列中的每个亚字包含对应汉字的含义。

一个汉字往往有多种含义，在具体的语境中，它显示出其中的一种具体的含义。例如：在“时间较长”中，“长”读cháng，表示时间久；在“长不大”中，“长”读zhǎng，表示生长、成长。

对于某个汉字的某一种具体含义，称为亚字，即亚字包含对应汉字在具体语句中的含义。

在本实施例中，获取待转化为语音的中文语句，通过对该中文语句进行亚字识别，可以得到该中文语句的亚字序列。亚字序列中的每个亚字包含对应汉字在上述中文语句中的含义。亚字通常使用对应汉字后加一个数字的形式表示，该数字可以表示该汉字在字典中的第几种含义。

示例性地，参见图2，假设中文语句S为“每天进步一点点”，亚字序列S*为(每-2，天-1，进-3，步-1，一-2，点-1，点-1)。每-2表示每在中文语句S中的含义为字典里的第2中含义，其它亚字类似，不再赘述。

其中，上述对中文语句进行亚字识别，得到亚字序列，可以包括：

对上述中文语句的每个汉字对应的所有亚字进行遍历组合，得到上述中文语句的所有的亚字组合；

计算上述中文语句的各个亚字组合的发生概率，并将发生概率最大的亚字组合作为上述中文语句对应的亚字序列。

因为每个亚字都有唯一的发音，因此经过亚字识别后，应用该亚字的拼音，即可完成多音字的消歧任务，无需再进一步进行多音字消歧。

每个汉字基于其具有的含义的数量，可以得到对应数量的亚字，每个亚字对应该汉字的一种含义。中文语句中的每个汉字对应的一个亚字的组合为一个亚字组合。示例性地，假设中文语句中有两个汉字，每个汉字均有两个亚字，则该中文语句有2*2＝4种亚字组合。

上述计算上述中文语句的各个亚字组合的发生概率，并将发生概率最大的亚字组合作为上述中文语句对应的亚字序列，可以包括：

基于n-gram模型，计算上述中文语句的各个亚字组合的发生概率；

应用极大似然估计，将上述中文语句的各个亚字组合中，发生概率最大的亚字组合作为上述中文语句对应的亚字序列。

各个亚字组合的发生概率的计算公式为：

其中，

其中，上述基于n-gram模型，计算上述中文语句的各个亚字组合的发生概率，可以基于亚字语料和n-gram模型，计算上述中文语句的各个亚字组合的发生概率。亚字语料可以基于中文的文本语料得到，具体可以对中文的文本语料进行清洗、分词等操作后，得到数据集；然后对数据集应用pre-model，得到词嵌入(Embedding)集；最后对词嵌入集进行k-means聚类，每个亚字的Embedding和每个句子的亚字表示；每个句子的亚字表示的合集组成亚字语料。

在S102中，对亚字序列进行音素转换，得到音素序列和音素位置序列。

在本实施例中，通过对亚字序列中的每个亚字进行音素转换，可以得到每个亚字的音素信息组成的音素序列和音素序列中的每个音素的位置信息组成的音素位置序列。

其中，音素序列可以包括亚字序列中每个亚字的声母、韵母和声调以及中文语句中的标点符号，音素序列中的音素的顺序可以按照亚字序列中的亚字顺序排列，即按照中文语句中的汉字顺序排列。

音素位置序列可以包括音素序列中的每个音素所属汉字在中文语句中的位置序号。

在S103中，对亚字序列进行词嵌入处理，得到亚字向量。

亚字向量包括亚字序列中的每个亚字的词嵌入表示。

词嵌入是指将每个亚字转换为对应的向量表示。本实施例可以采用任何可实现的方法，对亚字序列进行词嵌入处理，得到亚字向量，对此不作具体限制。

在S104中，将音素序列、音素位置序列和亚字向量输入训练好的中文语音合成模型中，得到中文语句对应的梅尔频谱；梅尔频谱用于合成中文语句对应的语音。

训练好的中文语音合成模型可以根据中文语句的音素序列、音素位置序列和亚字向量，输出该中文语句对应的梅尔频谱，根据中文语句对应的梅尔频谱可以合成中文语句对应的语音。

本实施例通过对中文语句进行亚字识别，得到包含对应汉字的含义的亚字组成的亚字序列，根据亚字序列得到包含汉字含义的亚字向量，最后，将包含中文含义的亚字向量、包含音素信息的音素序列和包含音素位置信息的音素位置序列输入训练好的中文语音合成模型中，得到中文语句对应的梅尔频谱，通过包含中文含义的亚字向量、包含音素信息的音素序列和包含音素位置信息的音素位置序列作为输入，可以降低中文语音合成模型学习发音规律的难度，提升语音合成的速度和质量。另外，本实施例将中文语句而不是拼音作为语音合成的基础，可以增加中文语音合成模型的输入信息量，提升语音合成效果。

在一些实施例中，上述中文语音合成模型包括逐步优化循环网络(progressiverecurrent network，PreNet)子模型、语言编码器、音素词嵌入子模型、韵律识别子模型和声学子模型。

本实施例对语言编码器、音素词嵌入子模型、韵律识别子模型和声学子模型的具体结构不做具体限制，任何可实现相应功能的模型均可。

在一些实施例中，上述S104可以包括：

基于音素序列、音素位置序列、亚字向量、训练好的逐步优化循环网络子模型、训练好的语言编码器、训练好的音素词嵌入子模型和训练好的韵律识别子模型，得到韵律插入向量；韵律插入向量包含中文语句的句意信息、音素信息和韵律信息；

将韵律插入向量输入到训练好的声学子模型中，得到中文语句对应的梅尔频谱。

其中，韵律插入向量为图2中的H(2)，韵律插入向量为包含中文语句的句意信息、音素信息和韵律信息的向量。将韵律插入向量输入训练好的声学子模型中，可以输出中文语句对应的梅尔频谱。

在一些实施例中，上述基于音素序列、音素位置序列、亚字向量、训练好的逐步优化循环网络子模型、训练好的语言编码器、训练好的音素词嵌入子模型和训练好的韵律识别子模型，得到韵律插入向量，包括：

将亚字向量输入训练好的逐步优化循环网络子模型，得到变换后的第一向量；

获取亚字序列的位置编码，并将亚字序列的位置编码和第一向量相加后得到的向量输入到训练好的语言编码器，得到第三向量；

将音素序列输入到训练好的音素词嵌入子模型中，得到音素向量；

根据音素位置序列，对第三向量进行切片操作，得到第四向量，并将第四向量与音素向量相加，得到第五向量；

将第五向量输入到训练好的韵律识别子模型中，得到韵律信息；

将韵律信息插入到第五向量中，得到韵律插入向量。

本实施例将亚字向量输入到训练好的PreNet子模型中后，训练好的PreNet子模型输出的向量称为第一向量。PreNet子模型是对亚字向量进行空间变换，可以只使用一层Dense Layer(全连接层)来完成空间变换。

本实施例中的亚字序列的位置编码(Positional Encoding)可以是绝对位置编码。每个亚字的位置编码可以表示对应汉字在中文语句中的位置。

第一向量加上亚字序列的位置编码后，再经过训练好的语言编码器(LanguageEncoder)，可以得到中文语句的隐藏层编码，即第三向量，也可以称为隐藏层向量。第三向量包含中文语句的句意信息。

第三向量即图2中的H(0)。H(0)、S和S*具有相同的长度。

H(0)＝LE(PN(S*)+PE(S*))；PE(S*)表示S*的位置编码；PN(S*)表示PreNet变换得到的第一向量；LE()表示Language Encoder。

音素词嵌入子模型为音素Embedding模型，可以对音素序列进行词嵌入处理，得到音素向量。音素序列或音素向量包含中文语句明确的发音信息，即包含中文语句的音素信息。

切片操作即图2中的Slice。根据音素位置序列，对第三向量进行切片操作，得到第四向量，即Slice(H(0),Indexw)，表示根据Indexw从H(0)中切片出对应的向量。示例性地，假设H(0)为7*512的向量，即7个字，每个字具有512个特征，Indexw为(1 1 1 2 2 2 3 3 34 4 4 5 5 5 6 6 6 7 7 7)，则第四向量为21*512的向量。Slice(H(0),Indexw)表示按照Indexw从H(0)中依次切片出对应的向量得到第四向量，即Indexw的第一个数字1表示从H(0)中取出第一个字对应的向量(第一行)，第二个数字1和第三个数字1同样，第四个数字2表示从H(0)中取出第二个字对应的向量(第二行)，以此类推，直至Indexw中所有数字均切片出对应的向量，然后将各个数字对应的向量按照Indexw中的顺序组成第四向量。

将第四向量与音素向量相加，得到第五向量。第五向量即图2中的H(1)，其包含中文语句的句意信息和音素信息。H(1)＝Slice(H(0),Indexw)+Embedding(P)；Embedding(P)表示音素序列的词嵌入表示，即音素向量。

韵律识别子模型可以实现韵律识别，任何可实现韵律识别的模型结构均可，不做具体限制。将第五向量输入到训练好的韵律识别子模型中，可以得到韵律识别结果，即韵律信息PP。通过PI(Prosodic Insertion，韵律插入)模块将韵律信息PP插入到第五向量H(1)中，可以得到韵律插入向量H(2)。H(2)既包含句意信息和音素信息，又包含韵律信息。

本实施例采用四级韵律结构：#1#2#3#4。通过PI模块可以将第2、3、4级韵律取Embedding后，插入到对应的H(1)序号后。

#1韵律词最小单元，无停顿；#2有重读，带有很短的停顿；#3韵律短语，有正常停顿；#4表示一个完整的句子结束。

在一些可能的实现方式中，语言编码器的结构可以是Transformer架构中的Language Encoder的结构。

在一些实施例中，在上述S104之前，上述中文语音合成方法还包括：

获取训练样本集；

根据训练样本集，对逐步优化循环网络子模型、语言编码器、音素词嵌入子模型、韵律识别子模型和声学子模型同时进行训练，得到训练好的中文语音合成模型。

训练样本集可以包括多个训练样本。每个训练样本可以包括中文语音合成模型中的各个子模型的训练输入参数和对应的训练标签(即训练输出参数)。某个训练参数可能既是前一个子模型的训练标签，又是后一个子模型的训练输入参数。

示例性地，训练样本的训练输入参数可以包括S*、Indexw、Phoneme、PP、duration(持续时间，表示H(2)中每个音素的持续时间)，训练标签可以包括PP、duration、mel-spectrogram(梅尔频谱)。其中S*、Indexw、Phoneme由中文语句S提前计算得到，计算方式和推断过程一致。PP为韵律信息标签，在训练阶段，既作为PI模块的输入，也作为韵律识别子模型的训练标签。训练采用MSE作为该部分的损失函数。duration代表H(2)中每个音素的持续时间，这表示有多少个梅尔帧对应于此音素，在FastSeech2模型中训练时用到。还可以采用FastSpeech2中使用的MFA(Montreal forced aligner)工具进行计算提取duration信息。

现有技术中将TTS前端和声学模型分开训练，导致模块之间的误差不易消除。而本实施例可以对中文语音合成模型中的各模型一起训练，相当于将TTS前端和声学模型统一训练，能够消除模块间的误差，提升语音合成的效果和速度。

在一些实施例中，声学子模型包括FastSpeech2模型。

本实施例采用FastSpeech2模型作为声学子模型，当然，也可以采用其它可实现的模型作为声学子模型等，比如，FastSpeech等，在此不做具体限制。

在一些实施例中，上述S102可以包括：

将亚字序列中的每个亚字的拼音分割成对应的声母、韵母和声调；

基于亚字序列中的各亚字对应的声母、韵母和声调以及中文语句中的标点符号，得到音素序列；

获取音素序列中的各音素所属汉字在中文语句中的位置序号，得到音素位置序列。

参见图2，每个亚字具有唯一的拼音，通过简单查询可以确定整个中文语句的拼音组成，也完成句子中多音字消歧。可以将每个亚字的拼音分割成声母、韵母和声调，将各个亚字的声母、韵母和声调作为音素，再结合中文语句中的标点符号，组成音素序列Phoneme。同时，可以提取每个音素所属汉字在中文语句中的位置序号，并按顺序组成音素位置序列Indexw。

示例性地，以图2中的中文语句为例，音素序列Phoneme为(m ei 3t ian 1j in 4bu 4y i 4d ian 3d ian 3)，对应的音素位置序列Indexw为(1 1 1 2 2 2 3 3 34 4 4 5 55 6 6 6 7 7 7)。

现有技术直接使用汉语拼音的音素序列作为声学模型的输入，有时会再结合韵律信息，作为声学模型的输入。这种方法需要单独的模型进行多音字消歧和韵律识别；且输入到声学模型的信息中没有显性的包含中文句子的含义，给声学模型学习发音规律增加了难度，另外，TTS前端和声学模型分开训练、推断；模块之间的误差不易消除，也降低了推断速度。

而本申请将TTS前端和声学模型作为一个整体，即中文语音合成模型，进行训练和推断，直接将中文语句作为基础，可以解决上述问题。具体地，将中文语句作为基础，可以增加中文语音合成模型的输入信息量，提升语音合成效果，并提升语音合成的速度；将TTS前端和声学模型作为一个整体，即中文语音合成模型，统一训练，可以进一步提升语音合成效果和速度；将亚字识别做为语音合成的前端任务，能够提升模型推断速度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

以下为本申请的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图3示出了本申请实施例提供的中文语音合成装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分，详述如下：

如图3所示，中文语音合成装置30包括：亚字识别模块31、音素转换模块32、亚字词嵌入模块33和语音合成模块34。

亚字识别模块31，用于获取中文语句，并对中文语句进行亚字识别，得到亚字序列；其中，亚字序列中的每个亚字包含对应汉字的含义；

音素转换模块32，用于对亚字序列进行音素转换，得到音素序列和音素位置序列；

亚字词嵌入模块33，用于对亚字序列进行词嵌入处理，得到亚字向量；

语音合成模块34，用于将音素序列、音素位置序列和亚字向量输入训练好的中文语音合成模型中，得到中文语句对应的梅尔频谱；梅尔频谱用于合成中文语句对应的语音。

在一种可能的实现方式中，在语音合成模块34中，中文语音合成模型包括逐步优化循环网络子模型、语言编码器、音素词嵌入子模型、韵律识别子模型和声学子模型。

在一种可能的实现方式中，语音合成模块34具体用于：

基于音素序列、音素位置序列、亚字向量、训练好的逐步优化循环网络子模型、训练好的语言编码器、训练好的音素词嵌入子模型和训练好的韵律识别子模型，得到韵律插入向量；韵律插入向量包含中文语句的句意信息、音素信息和韵律信息；

将韵律插入向量输入到训练好的声学子模型中，得到中文语句对应的梅尔频谱。

在一种可能的实现方式中，在语音合成模块34中，上述基于音素序列、音素位置序列、亚字向量、训练好的逐步优化循环网络子模型、训练好的语言编码器、训练好的音素词嵌入子模型和训练好的韵律识别子模型，得到韵律插入向量，包括：

将亚字向量输入训练好的逐步优化循环网络子模型，得到变换后的第一向量；

获取亚字序列的位置编码，并将亚字序列的位置编码和第一向量相加后得到的向量输入到训练好的语言编码器，得到第三向量；

将音素序列输入到训练好的音素词嵌入子模型中，得到音素向量；

根据音素位置序列，对第三向量进行切片操作，得到第四向量，并将第四向量与音素向量相加，得到第五向量；

将第五向量输入到训练好的韵律识别子模型中，得到韵律信息；

将韵律信息插入到第五向量中，得到韵律插入向量。

在一种可能的实现方式中，中文语音合成装置30还包括训练模块；

训练模块，用于获取训练样本集；根据训练样本集，对逐步优化循环网络子模型、语言编码器、音素词嵌入子模型、韵律识别子模型和声学子模型同时进行训练，得到训练好的中文语音合成模型。

在一种可能的实现方式中，声学子模型包括FastSpeech2模型。

在一种可能的实现方式中，音素转换模块32具体用于：

将亚字序列中的每个亚字的拼音分割成对应的声母、韵母和声调；

基于亚字序列中的各亚字对应的声母、韵母和声调以及中文语句中的标点符号，得到音素序列；

获取音素序列中的各音素所属汉字在中文语句中的位置序号，得到音素位置序列。

本申请实施例还提供了一种计算机程序产品，其具有程序代码，该程序代码在相应的处理器、控制器、计算装置或终端中运行时执行上述任一个中文语音合成方法实施例中的步骤，例如图1所示的S101至S104。本领域技术人员应当理解，可以以硬件、软件、固件、专用处理器或其组合的各种形式来实现本申请实施例所提出的方法和所属的设备。专用处理器可以包括专用集成电路(ASIC)、精简指令集计算机(RISC)和/或现场可编程门阵列(FPGA)。所提出的方法和设备优选地被实现为硬件和软件的组合。该软件优选地作为应用程序安装在程序存储设备上。其典型地是基于具有硬件的计算机平台的机器，例如一个或多个中央处理器(CPU)、随机存取存储器(RAM)和一个或多个输入/输出(I/O)接口。操作系统典型地也安装在所述计算机平台上。这里描述的各种过程和功能可以是应用程序的一部分，或者其一部分可以通过操作系统执行。

图4是本申请实施例提供的终端的示意图。如图4所示，该实施例的终端4包括：处理器40和存储器41。所述存储器41用于存储计算机程序42，所述处理器40用于调用并运行所述存储器41中存储的计算机程序42，执行上述各个终端录制方法实施例中的步骤，例如图1所示的S101至S104。或者，所述处理器40用于调用并运行所述存储器41中存储的计算机程序42，实现上述各装置实施例中各模块/单元的功能，例如图3所示模块/单元31至34的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成/实施本申请所提供的方案。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如，所述计算机程序42可以被分割成图3所示的模块/单元31至34。

所述终端4可以是计算机、服务器等设备，也可以是手机、平板电脑等设备，还可以是ECU(Electronic Control Unit，电子控制单元)等。终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

上述终端可以应用于任何需要进行语音合成的设备中，比如，可以应用在车辆中等等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/控制设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/控制设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个中文语音合成方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

此外，本申请附图中示出的实施例或本说明书中提到的各种实施例的特征不必理解为彼此独立的实施例。而是，可以将一个实施例的其中一个示例中描述的每个特征与来自其他实施例的一个或多个其他期望的特征组合，从而产生未用文字或参考附图描述的其他实施例。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。