语音合成方法、装置、可读介质及电子设备

技术领域

本公开涉及电子信息处理技术领域，具体地，涉及一种语音合成方法、装置、可读介质及电子设备。

背景技术

随着电子信息处理技术的不断发展，语音作为人们获取信息的重要载体，已经被广泛应用于日常生活和工作中。涉及语音的应用场景中，通常会包括语音合成的处理，语音合成是指将用户指定的文本，合成为音频。语音合成过程中，可以通过指定的情感标签，来合成具有相应情感的语音。然而，情感标签的类型有限，很难满足用户多样化的需求。

发明内容

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：

获取待合成文本、指定声学特征和指定情感类型，所述指定声学特征用于指示音频的韵律特征；

提取所述待合成文本对应的音素序列；

将所述指定声学特征按照所述音素序列进行扩展，得到声学特征序列；

将所述音素序列、所述声学特征序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，所述目标音频的声学特征与所述指定声学特征匹配。

第二方面，本公开提供一种语音合成装置，所述装置包括：

获取模块，用于获取待合成文本、指定声学特征和指定情感类型，所述指定声学特征用于指示音频的韵律特征；

提取模块，用于提取所述待合成文本对应的音素序列；

扩展模块，用于将所述指定声学特征按照所述音素序列进行扩展，得到声学特征序列；

合成模块，用于将所述音素序列、所述声学特征序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，所述目标音频的声学特征与所述指定声学特征匹配。

第三方面，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所述方法的步骤。

第四方面，本公开提供一种电子设备，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，以实现本公开第一方面所述方法的步骤。

通过上述技术方案，本公开首先获取待合成文本、指定情感类型，和用于指示音频的韵律特征的指定声学特征，之后从待合成文本中，提取出对应的音素序列，再按照音素序列，将指定声学特征进行扩展，得到声学特征序列，最后将音素序列、声学特征序列和指定情感类型输入预先训练的语音合成模型，从而得到语音合成模型输出的待合成文本对应的具有指定情感类型，且与指定声学特征匹配的目标音频。本公开通过指定声学特征和指定情感类型来控制文本的语音合成，使得语音合成模型输出的目标音频能够在具有指定情感类型的基础上，符合指定声学特征，能够实现语音合成过程中情感类型和声学特征两个维度的显性控制，提高了目标音频的表现力。

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是根据一示例性实施例示出的一种语音合成方法的流程图；

图2是根据一示例性实施例示出的另一种语音合成方法的流程图；

图3是根据一示例性实施例示出的一种语音合成模型的处理流程图；

图4是根据一示例性实施例示出的一种语音合成模型的框图；

图5是根据一示例性实施例示出的一种训练语音合成模型的流程图；

图6是根据一示例性实施例示出的另一种训练语音合成模型的流程图；

图7是根据一示例性实施例示出的另一种语音合成方法的流程图；

图8是根据一示例性实施例示出的一种语音合成装置的框图；

图9是根据一示例性实施例示出的另一种语音合成装置的框图；

图10是根据一示例性实施例示出的另一种语音合成装置的框图；

图11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

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，该方法包括：

步骤101，获取待合成文本、指定声学特征和指定情感类型，指定声学特征用于指示音频的韵律特征。

举例来说，首先获取需要进行合成的待合成文本。待合成文本例如可以是用户指定的文本文件中的一个或多个语句，也可以是文本文件中的一个或多个段落、一个或多个章节，还可以是一个文本文件中的一个或多个词语。文本文件例如可以是一部电子书，也可以是其他类型的文件，例如新闻、公众号文章、博客等。同时，还可以获取指定声学特征和指定情感类型。指定声学特征和指定情感类型可以理解为，用户指定的，期望将待合成文本合成为具有指定情感类型、且符合指定声学特征的音频(即后文提及的目标音频)。也就是说，用户可以通过指定声学特征和指定情感类型两个层面来控制目标音频。其中，指定声学特征可以包括多个维度，例如可以包括基频(英文：Pitch)、音量(英文：Energy)、语速(英文：Duration)中的一种或多种，还可以包括：噪声水平、音调、音色、响度等。其中，噪声水平可以理解为能够反映音频中噪声大小的特征。指定情感类型可以是标签的形式，例如开心对应0001，惊讶对应0011，憎恶对应1010，生气对应1011，害羞对应0101，恐惧对应0100，悲伤对应1000，不屑对应1001。

步骤102，提取待合成文本对应的音素序列。

示例的，可以将待合成文本输入预先训练的识别模型，以得到识别模型输出的，待合成文本对应的音素序列。也可以在预先建立的字典中，查找待合成文本中的每个字对应的音素，然后将每个字对应的音素组成待合成文本对应的音素序列。其中，音素可以理解为根据每个字的发音划分出的语音单位，也可以理解为每个字对应的拼音中的元音和辅音。音素序列中，包括了待合成文本中每个字对应的音素(一个字可以对应一个或多个音素)。例如，待合成文本为“这是一个样例”，可以依次在字典中查找每个字对应的音素，从而确定音素序列为“zheshiyigeyangli”。

步骤103，将指定声学特征按照音素序列进行扩展，得到声学特征序列。

步骤104，将音素序列、声学特征序列和指定情感类型，输入预先训练的语音合成模型，以得到语音合成模型输出的，待合成文本对应的具有指定情感类型的目标音频，目标音频的声学特征与指定声学特征匹配。

示例的，在得到音素序列之后，可以按照音素序列，将指定声学特征进行扩展，得到声学特征序列，声学特征序列中，包括了音素序列中，每个音素对应的声学特征。在一种实现方式中，可以根据音素序列的长度(即音素序列中包括的音素的数量)，生成声学特征序列，其中每个音素对应的声学特征均为指定声学特征。在另一种实现方式中，也可以将指定声学特征作为平均值(或者标准差)，按照预设的分布(例如高斯分布或者均匀分布)，生成每个音素对应的声学特征。

之后，可以将音素序列、声学特征序列和指定情感类型作为预先训练的语音合成模型的输入，语音合成模型输出的，即为待合成文本对应的，具有指定情感类型，且与指定声学特征匹配的目标音频。其中，语音合成模型可以是预先训练的，可以理解成一种TTS(英文：Text To Speech，中文：从文本到语音)模型，能够根据待合成文本、指定声学特征、指定情感类型，生成待合成文本对应的，具有指定情感类型，且与指定声学特征匹配的目标音频。具体的，语音合成模型可以是基于Tacotron模型、Deepvoice 3模型、Tacotron 2模型、Wavenet模型等训练得到的，本公开对此不作具体限定。这样，在对待合成文本中进行语音合成的过程中，除了待合成文本中包括的语义，还考虑了指定声学特征和指定情感类型，能够使目标音频具有指定情感类型，且与指定声学特征匹配，使得用户可以根据具体需求，从情感类型和声学特征两个维度对语音合成进行控制，而不限于情感类型的数量，提高了目标音频的表现力，同时也改善了用户的听觉体验。

综上所述，本公开首先获取待合成文本、指定情感类型，和用于指示音频的韵律特征的指定声学特征，之后从待合成文本中，提取出对应的音素序列，再按照音素序列，将指定声学特征进行扩展，得到声学特征序列，最后将音素序列、声学特征序列和指定情感类型输入预先训练的语音合成模型，从而得到语音合成模型输出的待合成文本对应的具有指定情感类型，且与指定声学特征匹配的目标音频。本公开通过指定声学特征和指定情感类型来控制文本的语音合成，使得语音合成模型输出的目标音频能够在具有指定情感类型的基础上，符合指定声学特征，能够实现语音合成过程中情感类型和声学特征两个维度的显性控制，提高了目标音频的表现力。

图2是根据一示例性实施例示出的另一种语音合成方法的流程图，如图2所示，步骤103可以通过以下方式来实现：

步骤1031，根据指定声学特征，确定音素序列中每个音素对应的声学特征。

步骤1032，将每个音素对应的声学特征组成声学特征序列。

示例的，在一种实现方式中，可以先确定音素序列的长度，即音素序列中包括的音素的数量。然后对指定声学特征进行复制，得到一个与音素序列的长度相同的声学特征序列，其中，每个声学特征都与指定声学特征相同，也就是说，声学特征序列中每个音素对应的声学特征均为指定声学特征。例如，音素序列的长度为100(即其中包括100个音素)，那么可以将每个音素对应的声学特征都确定为指定声学特征，那么可以将100个音素对应的声学特征组成声学特征序列。以指定声学特征为1*5维的向量来举例，那么声学特征序列包括100个1*5维的向量，可以组成100*5维的向量。

图3是根据一示例性实施例示出的一种语音合成模型的处理流程图，如图3所示，语音合成模型可以用于执行以下步骤：

步骤A，根据音素序列确定待合成文本对应的文本特征序列，文本特征序列包括音素序列中每个音素对应的文本特征。

步骤B，确定指定情感类型对应的指定情感特征，并将指定情感特征按照音素序列进行扩展，得到情感特征序列。

步骤C，根据文本特征序列、声学特征序列和情感特征序列，生成目标音频。

举例来说，语音合成模型合成目标音频的具体过程，可以先根据音素序列，提取待合成文本对应的文本特征序列(即Text Embedding)，文本特征序列中包括了音素序列中每个音素对应的文本特征，文本特征可以理解为能够表征该音素的文本向量。例如，音素序列中包括100个音素，每个音素对应的文本向量为1*80维的向量，那么文本特征序列可以为100*80维的向量。

之后，可以根据指定情感类型，确定对应的指定情感特征，指定情感特征可以理解为能够表征指定情感类型的情感向量。具体的，语音合成模型可以包括一个查找表(英文：Lookup Table)，查找表可以将指定情感类型对应的标签，映射成一个多维度的情感向量。例如，指定情感类型为害羞，对应的标签为0101，那么查找表可以将0101映射为一个1*50维的情感向量，作为用于表征开心的指定情感特征。在另一种应用场景中，语音合成模型中可以包括一个编码器(即图4中的第二编码器)，该编码器可以根据指定情感类型，提取对应的情感向量，即根据不同的情感类型，获得能够表征该情感类型的情感向量。该编码器可以是预先根据大量的训练样本独立训练的，也可以是和语音合成模型联合训练得到的，本公开对此不作具体限定。进一步的，在得到指定情感类型对应的指定情感特征之后，还可以将指定情感特征按照音素序列进行扩展，得到情感特征序列，情感特征序列中，包括了音素序列中，每个音素对应的情感特征。例如，可以先确定音素序列的长度，即音素序列中包括的音素的数量。然后对指定情感特征进行复制，得到一个与音素序列的长度相同的情感特征序列，其中，每个情感特征都与指定情感特征相同，也就是说，情感特征序列中每个音素对应的情感特征均为指定情感特征。例如，音素序列的长度为100(即其中包括100个音素)，那么可以将每个音素对应的情感特征都确定为指定情感特征，那么可以将100个音素对应的情感特征组成情感特征序列。以指定情感特征为1*50维的向量来举例，那么情感特征序列包括100个1*50维的向量，可以组成100*50维的向量。

在获得文本特征序列、情感特征序列之后，可以将文本特征序列、情感特征序列与声学特征序列进行结合，以生成具有指定情感类型，且与指定声学特征匹配的目标音频。例如，可以将文本特征序列、情感特征序列与声学特征序列进行拼接，得到一个组合序列，然后根据组合序列生成目标音频。例如，音素序列中包括100个音素，文本特征序列可以为100*80维的向量，相应的情感特征序列为100*50维的向量，声学特征序列为100*5维的向量，那么组合序列可以为100*135维的向量。可以根据这个100*135维的向量，生成目标音频。

以图4所示的语音合成模型来举例，语音合成模型为Tacotron模型，其中包括：查找表(或者第二编码器)、第一编码器(即Encoder)、注意力网络(即Attention)、解码器(即Decoder)和后处理网络(即Post-processing)。查找表例如可以是一个预设的矩阵，可以将指定情感类型对应的标签与查找表相乘，从而将指定情感类型对应的标签映射为指定情感特征，并将指定情感特征进行扩展，得到情感特征序列。第一编码器可以包括嵌入层(即Character Embedding层)、预处理网络(Pre-net)子模型和CBHG(英文：Convolution Bank+Highway network+bidirectional Gated Recurrent Unit，中文：卷积层+高速网络+双向递归神经网络)子模型。可以将音素序列输入第一编码器，首先，通过嵌入层将音素序列转换为词向量，然后将词向量输入至Pre-net子模型，以对词向量进行非线性变换，从而提升语音合成模型的收敛和泛化能力，最后，通过CBHG子模型根据非线性变换后的词向量，获得能够表征待合成文本的文本特征序列。

之后可以将声学特征序列、查找表输出的情感特征序列和编码器输出的文本特征序列进行拼接，得到组合序列，再将组合序列输入注意力网络，注意力网络可以为组合序列中的每个元素增加一个注意力权重。具体的，注意力网络可以为位置敏感注意力(英文：Locative Sensitive Attention)网络，也可以为GMM(英文：Gaussian Mixture Model，缩写GMM)attention网络，还可以是Multi-Head Attention网络，本公开对此不作具体限定。

再将注意力网络的输出作为解码器的输入。解码器可以包括预处理网络子模型(可以与编码器中包括的预处理网络子模型的相同)、Attention-RNN、Decoder-RNN。预处理网络子模型用于对输入进行非线性变换，Attention-RNN的结构为一层单向的、基于zoneout的LSTM(英文：Long Short-Term Memory，中文：长短期记忆网络)，能够将预处理网络子模型的输出作为输入，经过LSTM单元后输出到Decoder-RNN中。Decode-RNN为两层单向的、基于zoneout的LSTM，经过LSTM单元输出梅尔频谱信息，梅尔频谱信息中可以包括一个或多个梅尔频谱特征。最后将梅尔频谱信息输入后处理网络，后处理网络可以包括声码器(例如，Wavenet声码器、Griffin-Lim声码器等)，用于对梅尔频谱特征信息进行转换，以得到目标音频。

图5是根据一示例性实施例示出的一种训练语音合成模型的流程图，如图5所示，上述语音合成模型是通过如下方式训练获得的：

步骤D，提取训练文本对应的训练音频的真实声学特征，真实声学特征用于指示音频的韵律特征。

步骤E，将真实声学特征按照训练文本对应的训练音素序列进行扩展，得到训练声学特征序列。

步骤F，将训练音素序列、训练声学特征序列和训练音频对应的训练情感类型，输入语音合成模型，并根据语音合成模型的输出与训练音频，训练语音合成模型。

对语音合成模型进行训练，需要先获取训练文本和训练文本对应的训练音频，训练文本可以有多个，相应的，训练音频也有多个。例如可以通过在互联网上抓取大量的文本作为训练文本，然后将训练文本对应的音频，作为训练音频。针对训练音频，可以提取训练音频对应的真实声学特征。例如，可以通过信号处理、标注等方式，得到训练音频对应的真实声学特征，其中，真实声学特征用于指示训练音频的韵律特征，可以包括：训练音频的基频、音量、语速中的至少一种，还可以包括：噪声水平、音调、音色、响度等。同时，还可以提取训练文本对应的训练音素序列，训练音素序列中，可以包括训练文本中每个字对应的训练音素(一个字可以对应一个或多个训练音素)。

之后，将真实声学特征按照训练文本对应的训练音素序列进行扩展，得到训练声学特征序列。训练声学特征序列中包括了每个训练音素对应的训练声学特征。例如，可以根据训练音素序列中包括的训练音素的数量，生成训练声学特征序列，其中，每个训练音素对应的训练声学特征均为真实声学特征。

最后，将训练音素序列、训练声学特征序列和训练音频对应的训练情感类型，作为语音合成模型的输入，并根据语音合成模型的输出与训练音频，训练语音合成模型。例如，可以根据语音合成模型的输出，与训练音频的差(或者均方差)作为语音合成模型的损失函数，以降低损失函数为目标，利用反向传播算法来修正语音合成模型中的神经元的参数，神经元的参数例如可以是神经元的权重(英文：Weight)和偏置量(英文：Bias)。重复上述步骤，直至损失函数满足预设条件，例如损失函数小于预设的损失阈值。

在一种应用场景中，语音合成模型包括：第一模块、第二模块和合成模块，步骤F的实现可以包括以下步骤：

步骤F1，通过第一模块，提取训练音素序列对应的训练文本特征序列，训练文本特征序列包括训练音素序列中每个训练音素对应的文本特征。

步骤F2，通过第二模块，提取训练情感类型对应的训练情感特征，并将训练情感特征按照训练音素序列进行扩展，得到训练情感特征序列。

步骤F3，通过合成模块，根据训练文本特征序列、训练声学特征序列和训练情感特征序列，生成语音合成模型的输出。

步骤F4，根据语音合成模型的输出与训练音频，确定语音合成模型的损失函数，并根据损失函数更新第一模块、第二模块和合成模块。

举例来说，语音合成模型中可以包括第一模块、第二模块和合成模块，其中，第一模块用于提取训练文本特征序列，其中包括训练音素序列中每个训练音素对应的文本特征，第一模块例如可以是编码器(如图4中所示的第一编码器)。第二模块用于提取训练情感特征，并对训练情感特征进行扩展，得到包括了每个训练音素对应的情感特征的情感特征序列，第二模块例如可以是查找表，也可以是编码器(如图4中所示的第二编码器)。合成模块用于根据训练文本特征序列、训练声学特征序列和训练情感特征序列，生成对应的音频，即语音合成模型的输出。

进一步的，在对语音合成模型的训练过程中，可以根据语音合成模型的输出与训练音频，确定语音合成模型的损失函数(例如可以是语音合成模型的输出，与训练音频的差)，以降低损失函数为目标，利用反向传播算法来更新语音合成模型中的第一模块、第二模块和合成模块。需要说明的是，若第二模块为查找表，那么在训练语音合成模型的过程中，可以同时对查找表进行更新，若第二模块为编码器，那么在训练语音合成模型的过程中，可以同时对该编码器中的神经元的参数进行更新。

图6是根据一示例性实施例示出的另一种训练语音合成模型的流程图，如图6所示，真实声学特征包括：基频、音量、语速中的至少一种，步骤D可以包括以下步骤：

步骤D1，若真实声学特征中包括语速，根据训练音频和训练音素序列，确定训练音素序列中，每个训练音素对应的时长，以确定训练音频的语速。

具体的实现方式可以包括：

首先，根据训练音频和训练音素序列，确定每个训练音素对应的时长。例如，可以利用HTS(英文：HMM-based Speech Synthesis System)，将训练音频，按照训练音素序列中包括的训练音素进行划分，以得到每个训练音素对应的时长，可以表示为duration

之后，对每个训练音素对应的时长进行对数运算，以得到每个训练音素对应的对数时长，通过对数运算，可以将时长的变化范围进行压缩，从而放大时长的变化程度。例如可以表示为log_duration

最后，将训练音素序列中每个训练音素对应的对数时长的统计值，作为训练音频的语速。例如可以将每个训练音素对应的对数时长的平均值(或者标准差、极值等)作为训练音频的语速，可以表示为log_duration_mean。

步骤D2，若真实声学特征中包括基频，提取训练音频包括的每个音频帧的基频，以确定训练音频的基频。

具体的实现方式可以包括：

首先，可以利用sox、librosa、straight等音频处理工具，对训练音频进行处理，以得到训练音频中每个音频的基频，然后对每个音频帧对应的基频进行对数运算，以得到每个音频帧对应的对数基频。通过对数运算，可以将基频的变化范围进行压缩，从而放大基频的变化程度。例如每个音频帧对应的基频可以表示为pitch

之后，将训练音频中每个音频帧对应的对数基频的统计值，作为训练音频的基频。例如可以将每个音频帧对应的对数基频的平均值和对数基频的标准差，作为训练音频的基频，可以表示为log_pitch_mean和log_pitch_std，其中，log_pitch_mean能够反映训练音频整体上基频的大小，log_pitch_std能够反映训练音频的基频的变化幅度。

步骤D3，若真实声学特征中包括音量，提取训练音频包括的每个音频帧的音量，以确定训练音频的音量。

首先，可以利用sox、librosa、straight等音频处理工具，对训练音频进行处理，以得到训练音频中每个音频的音量，然后对每个音频帧对应的音量进行对数运算，以得到每个音频帧对应的对数音量。通过对数运算，可以将音量的变化范围进行压缩，从而放大音量的变化程度。例如，每个音频帧对应的音量可以表示为energy

然后，将每个音频帧对应的对数音量的统计值，作为训练音频的音量。例如，可以将每个音频帧对应的对数音量的平均值作为训练音频的音量，可以表示为log_energy_mean。

进一步，若真实声学特征还包括噪声水平，那么步骤D还可以包括：根据训练音频对应的线性预测系数，确定训练音频对应的噪声水平。

示例的，可以确定训练音频的LPC系数(英文：Linear Prediction Coefficient，中文：线性预测系数)，然后对训练音频的LPC系数的第1维进行对数运算，并将对数运算的结果作为训练音频对应的噪声水平，通过对数运算，可以将噪声水平的变化范围进行压缩，从而放大噪声水平的变化程度。噪声水平例如可以表示为log_spectral_tilt。

在真实声学特征中包括了基频、音量、语速和噪声水平的情况下，可以将训练音频的基频、音量、语速和噪声水平，组成训练音频的真实声学特征。例如，真实声学特征可以是一个1*5维的向量：{基频：(log_pitch_mean，log_pitch_std)，音量：log_energy_mean，语速：log_duration_mean，噪声水平：log_spectral_tilt}。相应的，在指定声学特征包括了基频、音量、语速和噪声水平的情况下，步骤101中获取的指定声学特征，也可以包括上述5个维度。

在另一种应用场景中，语音合成模型还可以是通过如下方式训练获得的：

步骤G，根据预设的训练集中包括多个训练音频的真实声学特征，确定训练集的统计声学特征。

步骤H，根据统计声学特征对每个训练音频的真实声学特征进行归一化处理。

相应的，步骤E的实现方式可以为：

将归一化处理后的真实声学特征，按照训练音素序列进行扩展，得到训练声学特征序列。

举例来说，在对真实声学特征进行扩展之前，还可以对真实声学特征进行归一化处理。例如，训练集中包括多个训练文本，每个训练文本对应一个训练音频。可以按照步骤D1至D4的方式，确定每个训练音频的真实声学特征，并确定训练集的统计声学特征。统计声学特征例如可以是真实声学特征的平均值、标准差、方差或者极值等。然后再根据统计声学特征对每个训练音频的真实声学特征进行归一化处理。例如，可以将真实声学特征的平均值μ和标准差σ，作为统计声学特征，然后将处于[μ-3σ,μ+3σ]之间的真实声学特征，映射到[-1,1]内，处于[μ-3σ,μ+3σ]之外的真实声学特征，可以截断为-1或1。还可以分别求得真实声学特征中每个维度的平均值和标准差，并对真实声学特征中每个维度进行归一化处理。例如，以真实声学特征中的log_pitch_mean来举例，可以求得每个训练音频的log_pitch_mean的平均值pitch_μ和标准差pitch_σ，然后将处于[pitch_μ-3pitch_σ,pitch_μ+3pitch_σ]之间的log_pitch_mean，映射到[-1,1]内，将处于[pitch_μ-3pitch_σ,pitch_μ+3pitch_σ]之外的log_pitch_mean，截断为-1或1，以对log_pitch_mean进行归一化处理。

进一步的，可以将归一化处理后的真实声学特征，按照训练音素序列进行扩展，得到训练声学特征序列。例如，可以根据训练音素序列中包括的训练音素的数量，生成训练声学特征序列，其中，每个训练音素对应的训练声学特征均为归一化处理后的真实声学特征。

需要说明的是，步骤101中获取的指定声学特征，也可以包括上述经过归一化处理的5个维度。归一化处理后的指定声学特征，更具有解释性。以指定声学特征为{-1,1,0,1,0}为例，其中，log_pitch_mean的值为-1，那么表示语音合成模型生成的，符合指定声学特征的目标音频的特点是低沉。log_pitch_std的值为1，表示目标音频的基频变化大。log_energy_mean的值为0，表示目标音频是正常音量。log_duration_mean对应的值为1，表示目标音频的语速慢(即音素对应的平均时长长)。log_spectral_tilt对应的值为0，表示目标音频的噪声水平为正常。

图7是根据一示例性实施例示出的另一种语音合成方法的流程图，如图7所示，在步骤104之后，该方法还包括：

步骤105，根据预设的步进值，更新指定声学特征。

重复执行步骤103至步骤105，直至目标音频满足预设条件。

举例来说，在用户对语音合成进行控制时，期望的情感类型(即指定情感类型)往往比较明确，例如期望生成的目标音频具有开心的情感。而期望的声学特征往往只是一个大致的范围。因此可以在语音合成模型输出一次目标音频后，根据用户的具体需求，设置用于更新指定声学特征的步进值，然后利用步进值对指定声学特征进行更新，并按照更新后的指定声学特征重复执行步骤103至步骤105，直至目标音频满足预设条件。其中，预设条件可以是用户收听目标音频，认为满足需求后触发的停止指令，预设条件还可以是重复执行步骤103至步骤105的次数达到了指定次数(例如5次)。例如，步骤101中获取的指定情感类型为开心，指定声学特征为{0,0,0,0,0}，即基频、音量、语速和噪声水平均为平均水平。那么第一次执行步骤103至步骤104时，生成的目标音频具有开心的情感类型，并且目标音频的基频为平均水平、音量为正常、语速为正常，且噪声水平为正常。用户收听目标音频后，认为语速较慢，可以设置步进值为{0,0,0,-0.5,0}，并将步进值和指定声学特征相加，得到更新后的指定声学特征{0,0,0,-0.5,0}，重复上述过程，直至接收到用户认为目标音频满足需求后触发的停止指令。

综上所述，本公开首先获取待合成文本、指定情感类型，和用于指示音频的韵律特征的指定声学特征，之后从待合成文本中，提取出对应的音素序列，再按照音素序列，将指定声学特征进行扩展，得到声学特征序列，最后将音素序列、声学特征序列和指定情感类型输入预先训练的语音合成模型，从而得到语音合成模型输出的待合成文本对应的具有指定情感类型，且与指定声学特征匹配的目标音频。本公开通过指定声学特征和指定情感类型来控制文本的语音合成，使得语音合成模型输出的目标音频能够在具有指定情感类型的基础上，符合指定声学特征，能够实现语音合成过程中情感类型和声学特征两个维度的显性控制，提高了目标音频的表现力。

图8是根据一示例性实施例示出的一种语音合成装置的框图，如图8所示，该装置200包括：

获取模块201，用于获取待合成文本、指定声学特征和指定情感类型，指定声学特征用于指示音频的韵律特征。

提取模块202，用于提取待合成文本对应的音素序列。

扩展模块203，用于将指定声学特征按照音素序列进行扩展，得到声学特征序列。

合成模块204，用于将音素序列、声学特征序列和指定情感类型，输入预先训练的语音合成模型，以得到语音合成模型输出的，待合成文本对应的具有指定情感类型的目标音频，目标音频的声学特征与指定声学特征匹配。

在一种应用场景中，指定声学特征包括：基频、音量、语速中的至少一种。

图9是根据一示例性实施例示出的另一种语音合成装置的框图，如图9所示，扩展模块203可以包括：

确定子模块2031，用于根据指定声学特征，确定音素序列中每个音素对应的声学特征。

扩展子模块2032，用于将每个音素对应的声学特征组成声学特征序列。

在一种应用场景中，语音合成模型可以用于执行以下步骤：

步骤A，根据音素序列确定待合成文本对应的文本特征序列，文本特征序列包括音素序列中每个音素对应的文本特征。

步骤B，确定指定情感类型对应的指定情感特征，并将指定情感特征按照音素序列进行扩展，得到情感特征序列。

步骤C，根据文本特征序列、声学特征序列和情感特征序列，生成目标音频。

在另一种应用场景中，上述语音合成模型是通过如下方式训练获得的：

步骤D，提取训练文本对应的训练音频的真实声学特征，真实声学特征用于指示训练音频的韵律特征。

步骤E，将真实声学特征按照训练文本对应的训练音素序列进行扩展，得到训练声学特征序列。

步骤F，将训练音素序列、训练声学特征序列和训练音频对应的训练情感类型，输入语音合成模型，并根据语音合成模型的输出与训练音频，训练语音合成模型。

在另一种应用场景中，音合成模型包括：第一模块、第二模块和合成模块，步骤F的实现可以包括以下步骤：

步骤F1，通过第一模块，提取训练音素序列对应的训练文本特征序列，训练文本特征序列包括训练音素序列中每个训练音素对应的文本特征。

步骤F2，通过第二模块，提取训练情感类型对应的训练情感特征，并将训练情感特征按照训练音素序列进行扩展，得到训练情感特征序列。

步骤F3，通过合成模块，根据训练文本特征序列、训练声学特征序列和训练情感特征序列，生成语音合成模型的输出。

步骤F4，根据语音合成模型的输出与训练音频，确定语音合成模型的损失函数，并根据损失函数更新第一模块、第二模块和合成模块。

在又一种应用场景中，真实声学特征包括：基频、音量、语速中的至少一种，步骤D可以包括以下步骤：

步骤D1，若真实声学特征中包括语速，根据训练音频和训练音素序列，确定训练音素序列中，每个训练音素对应的时长，以确定训练音频的语速。

首先，根据训练音频和训练音素序列，确定每个训练音素对应的时长。

之后，对每个训练音素对应的时长进行对数运算，以得到每个训练音素对应的对数时长。

最后，将训练音素序列中每个训练音素对应的对数时长的统计值，作为训练音频的语速。

步骤D2，若真实声学特征中包括基频，提取训练音频包括的每个音频帧的基频，以确定训练音频的基频。

首先，对每个音频帧对应的基频进行对数运算，以得到每个音频帧对应的对数基频。

之后，将训练音频中每个音频帧对应的对数基频的统计值，作为训练音频的基频。

步骤D3，若真实声学特征中包括音量，提取训练音频包括的每个音频帧的音量，以确定训练音频的音量。

首先，对每个音频帧对应的音量进行对数运算，以得到每个音频帧对应的对数音量。

之后，并将每个音频帧对应的对数音量的统计值，作为训练音频的音量。

图10是根据一示例性实施例示出的另一种语音合成装置的框图，如图10所示，该装置200还可以包括：

更新模块205，用于在将音素序列、声学特征序列和指定情感类型，输入预先训练的语音合成模型，以得到语音合成模型输出的，待合成文本对应的具有指定情感类型的目标音频之后，根据预设的步进值，更新指定声学特征。

重复执行将指定声学特征按照音素序列进行扩展，得到声学特征序列，至根据预设的步进值，更新指定声学特征的步骤，直至目标音频满足预设条件。

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。

综上所述，本公开首先获取待合成文本、指定情感类型，和用于指示音频的韵律特征的指定声学特征，之后从待合成文本中，提取出对应的音素序列，再按照音素序列，将指定声学特征进行扩展，得到声学特征序列，最后将音素序列、声学特征序列和指定情感类型输入预先训练的语音合成模型，从而得到语音合成模型输出的待合成文本对应的具有指定情感类型，且与指定声学特征匹配的目标音频。本公开通过指定声学特征和指定情感类型来控制文本的语音合成，使得语音合成模型输出的目标音频能够在具有指定情感类型的基础上，符合指定声学特征，能够实现语音合成过程中情感类型和声学特征两个维度的显性控制，提高了目标音频的表现力。

下面参考图11，其示出了适于用来实现本公开实施例的电子设备((即上述语音合成方法的执行主体))300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11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11所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备300，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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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，终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol，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。

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：获取待合成文本、指定声学特征和指定情感类型，所述指定声学特征用于指示音频的韵律特征；提取所述待合成文本对应的音素序列；将所述指定声学特征按照所述音素序列进行扩展，得到声学特征序列；将所述音素序列、所述声学特征序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，所述目标音频的声学特征与所述指定声学特征匹配。

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，获取模块还可以被描述为“获取待合成文本、指定声学特征和指定情感类型的模块”。

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，包括：获取待合成文本、指定声学特征和指定情感类型，所述指定声学特征用于指示音频的韵律特征；提取所述待合成文本对应的音素序列；将所述指定声学特征按照所述音素序列进行扩展，得到声学特征序列；将所述音素序列、所述声学特征序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，所述目标音频的声学特征与所述指定声学特征匹配。

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，所述将所述指定声学特征按照所述音素序列进行扩展，得到声学特征序列，包括：根据所述指定声学特征，确定所述音素序列中每个音素对应的声学特征；将每个所述音素对应的所述声学特征组成所述声学特征序列。

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，所述语音合成模型用于：根据所述音素序列确定所述待合成文本对应的文本特征序列，所述文本特征序列包括所述音素序列中每个音素对应的文本特征；确定所述指定情感类型对应的指定情感特征，并将所述指定情感特征按照所述音素序列进行扩展，得到情感特征序列；根据所述文本特征序列、所述声学特征序列和所述情感特征序列，生成所述目标音频。

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，所述指定声学特征包括：基频、音量、语速中的至少一种。

根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述语音合成模型是通过如下方式训练获得的：提取训练文本对应的训练音频的真实声学特征，所述真实声学特征用于指示所述训练音频的韵律特征；将所述真实声学特征按照所述训练文本对应的训练音素序列进行扩展，得到训练声学特征序列；将所述训练音素序列、所述训练声学特征序列和所述训练音频对应的训练情感类型，输入所述语音合成模型，并根据所述语音合成模型的输出与所述训练音频，训练所述语音合成模型。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述真实声学特征包括：基频、音量、语速中的至少一种；所述提取训练文本对应的训练音频的真实声学特征，包括：若所述真实声学特征包括语速，根据所述训练音频和所述训练音素序列，确定所述训练音素序列中，每个训练音素对应的时长，以确定所述训练音频的语速；若所述真实声学特征包括基频，提取所述训练音频包括的每个音频帧的基频，以确定所述训练音频的基频；若所述真实声学特征包括音量，提取所述训练音频包括的每个音频帧的音量，以确定所述训练音频的音量。

根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述根据所述训练音频和所述训练音素序列，确定所述训练音素序列中，每个训练音素对应的时长，以确定所述训练音频的语速，包括：根据所述训练音频和所述训练音素序列，确定每个所述训练音素对应的时长；对每个所述训练音素对应的时长进行对数运算，以得到每个所述训练音素对应的对数时长；将所述训练音素序列中每个所述训练音素对应的对数时长的统计值，作为所述训练音频的语速；所述提取所述训练音频包括的每个音频帧的基频，以确定所述训练音频的基频，包括：对每个所述音频帧对应的基频进行对数运算，以得到每个所述音频帧对应的对数基频；将所述训练音频中每个所述音频帧对应的对数基频的统计值，作为所述训练音频的基频；所述提取所述训练音频包括的每个音频帧的音量，以确定所述训练音频的音量，包括：对每个所述音频帧对应的音量进行对数运算，以得到每个所述音频帧对应的对数音量；将所述训练音频中每个所述音频帧对应的对数音量的统计值，作为所述训练音频的音量。

根据本公开的一个或多个实施例，示例8提供了示例5的方法，所述语音合成模型包括：第一模块、第二模块和合成模块，所述将所述训练音素序列、所述训练声学特征序列和所述训练音频对应的训练情感类型，输入所述语音合成模型，包括：通过所述第一模块，提取所述训练音素序列对应的训练文本特征序列，所述训练文本特征序列包括所述训练音素序列中每个训练音素对应的文本特征；通过所述第二模块，提取所述训练情感类型对应的训练情感特征，并将所述训练情感特征按照所述训练音素序列进行扩展，得到训练情感特征序列；通过所述合成模块，根据所述训练文本特征序列、所述训练声学特征序列和所述训练情感特征序列，生成所述语音合成模型的输出；所述根据所述语音合成模型的输出与所述训练音频，训练所述语音合成模型，包括：根据所述语音合成模型的输出与所述训练音频，确定所述语音合成模型的损失函数，并根据所述损失函数更新所述第一模块、所述第二模块和所述合成模块。

根据本公开的一个或多个实施例，示例9提供了示例1至示例8的方法，在所述将所述音素序列、所述声学特征序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频之后，所述方法还包括：根据预设的步进值，更新所述指定声学特征；重复执行所述将所述指定声学特征按照所述音素序列进行扩展，得到声学特征序列，至所述根据预设的步进值，更新所述指定声学特征的步骤，直至所述目标音频满足预设条件。

根据本公开的一个或多个实施例，示例10提供了一种语音合成装置，包括：获取模块，用于获取待合成文本、指定声学特征和指定情感类型，所述指定声学特征用于指示音频的韵律特征；提取模块，用于提取所述待合成文本对应的音素序列；扩展模块，用于将所述指定声学特征按照所述音素序列进行扩展，得到声学特征序列；合成模块，用于将所述音素序列、所述声学特征序列和所述指定情感类型，输入预先训练的语音合成模型，以得到所述语音合成模型输出的，所述待合成文本对应的具有所述指定情感类型的目标音频，所述目标音频的声学特征与所述指定声学特征匹配。

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1至示例9中所述方法的步骤。

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至示例9中所述方法的步骤。

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。