流式语音合成方法、装置、电子设备和存储介质

技术领域

本发明涉及信息处理技术领域，尤其涉及一种流式语音合成方法、装置、电子设备和存储介质。

背景技术

随着深度神经网络在语音合成领域的成功应用，语音合成技术近年来取得了巨大的突破，并在各领域取得了广泛的应用。

现有技术中，语音合成一般包括文本前端、声学模型和声码器三个主要模块，其中声学模型又包括编码器和解码器两个主要模块。流式语音合成一般是指将扩展成帧级的编码器输出特征流式的依次送入解码器和声码器得到对应的语音输出。目前的流式语音合成一般通过将编码器输出特征划分为固定尺寸的块，依次送入解码器和声码器进行语音合成。但是，分块较大将会直接增加首帧时延，降低系统反应速度；分块较小将会降低整体推理速度并影响合成效果。因此分块方法往往难以平衡，不可避免的会影响用户的感知体验。

发明内容

本发明提供了一种流式语音合成方法、装置、电子设备和存储介质，以解决因固定分块尺寸而导致的首帧时延与整体推理速度及合成效果无法兼顾的问题，实现了在不影响首帧时延的情况下，提高整体推理速度并提高合成效果，从而改善用户的感知体验。

根据本发明的一方面，提供了一种流式语音合成方法，应用于语音合成模型，该方法包括：

确定当前次处理周期使用的当前尺寸信息，并基于所述当前尺寸信息确定当前特征块，所述当前特征块是由从当前输入特征中截取所述当前尺寸信息的特征组成，截取后剩余的当前输入特征为当前剩余特征，所述当前尺寸信息为应从当前输入特征中截取特征的帧数，所述输入特征为将待合成文本信息进行编码并按照音素时长信息扩展为帧级所得到的特征，所述音素时长信息为一个音素对应语音音频中的帧数；

对所述当前特征块进行语音合成推理，输出所述当前特征块对应的当前语音音频，并确定当前推理消耗时间；

基于所述当前尺寸信息确定所述当前特征块的当前时长信息，并基于所述当前推理消耗时间和所述当前时长信息确定所述语音合成模型的当前实时率，所述当前时长信息为当前特征块对应输出的语音音频的时长信息；

基于所述当前尺寸信息和所述当前实时率确定下一尺寸信息，以供进入下一次处理周期加载使用；

当所述下一尺寸信息大于或等于所述当前剩余特征的帧数，则将所述当前剩余特征全部送入所述语音合成模块进行推理得到当前剩余特征对应的剩余语音音频，否则将所述当前剩余特征作为当前输入特征，所述下一尺寸信息作为当前尺寸信息并重复前述步骤。

根据本发明的另一方面，提供了一种流式语音合成装置，应用于语音合成模型，该装置包括：

特征块确定模块，用于确定当前次处理周期使用的当前尺寸信息，并基于所述当前尺寸信息确定当前特征块，所述当前特征块是由从当前输入特征中截取所述当前尺寸信息的特征组成，截取后剩余的当前输入特征为当前剩余特征，所述当前尺寸信息为应从当前输入特征中截取特征的帧数，所述输入特征为将待合成文本信息进行编码并按照音素时长信息扩展为帧级所得到的特征，所述音素时长信息为一个音素对应语音音频中的帧数；

时间确定模块，用于对所述当前特征块进行语音合成推理，输出所述当前特征块对应的当前语音音频，并确定当前推理消耗时间；

第一信息确定模块，用于基于所述当前尺寸信息确定所述当前特征块的当前时长信息，并基于所述当前推理消耗时间和所述当前时长信息确定所述语音合成模型的当前实时率，所述当前时长信息为当前特征块对应输出的语音音频的时长信息；

第二信息确定模块，用于基于所述当前尺寸信息和所述当前实时率确定下一尺寸信息，以供进入下一次处理周期加载使用；

判断模块，用于当所述下一尺寸信息大于或等于所述当前剩余特征的帧数，则将所述当前剩余特征全部送入所述语音合成模块进行推理得到当前剩余特征对应的剩余语音音频，否则将所述当前剩余特征作为当前输入特征，所述下一尺寸信息作为当前尺寸信息并重复前述步骤。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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本发明任一实施例所述的流式语音合成方法。

根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的流式语音合成方法。

本发明实施例的技术方案，确定当前次处理周期使用的当前尺寸信息，并基于当前尺寸信息确定当前特征块，确定对当前特征块进行语音合成推理的当前推理消耗时间，基于当前尺寸信息确定当前特征块的当前时长信息，并基于当前推理消耗时间和当前时长信息确定语音合成模型的当前实时率，基于当前尺寸信息和当前实时率确定下一尺寸信息；当下一尺寸信息大于或等于当前剩余特征的帧数，则将当前剩余特征全部送入语音合成模块得到剩余语音音频，否则继续确定下一尺寸信息。本申请技术方案基于当前尺寸信息和当前实时率准确确定下一尺寸信息，从而实现对于输入特征的合理分配，解决了因固定分块尺寸而导致的首帧时延与整体推理速度降低及合成效果无法兼顾的问题，实现了在不影响首帧时延的情况下，提高整体推理速度并提高合成效果，从而改善用户的感知体验。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例提供的一种流式语音合成方法的流程图；

图2是本发明实施例所适用的语音合成模型的结构示意图；

图3是根据本发明实施例提供的一种流式语音合成装置的结构示意图；

图4是根据本发明实施例提供的实现本发明实施例的流式语音合成方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例提供的一种流式语音合成方法的流程图，本实施例可适用于对输入文本信息进行流式语音合成的情况，该方法可以由流式语音合成装置来执行，该流式语音合成装置可以采用硬件和/或软件的形式实现，该流式语音合成装置可配置于任何具有网络通信功能的电子设备中。如图1所示，该方法包括：

S110、确定当前次处理周期使用的当前尺寸信息，并基于当前尺寸信息确定当前特征块。

其中，当前特征块是由从当前输入特征中截取所述当前尺寸信息的特征组成，截取后剩余的当前输入特征为当前剩余特征，当前尺寸信息为应从当前输入特征中截取特征的帧数，输入特征为将待合成文本信息进行编码并按照音素时长信息扩展为帧级所得到的特征，音素时长信息为一个音素对应语音音频中的帧数。

图2为本发明实施例所适用的语音合成模型的结构示意图，其中，输入可以包括：用以控制合成内容的文本信息，用以控制合成音色的说话人信息，用以控制合成风格的风格信息等等。

在获取用于进行语音合成的文本信息后，将文本信息转化为音素信息，并将音素信息进行编码得到编码特征；确定每个音素信息对应的音素时长信息；基于音素时长信息将音素的编码特征扩展为帧级特征信息，得到输入特征。

可选的，确定当前次处理周期使用的当前尺寸信息，包括：

若当前次处理周期为第一个处理周期，则当前尺寸信息由语音合成模型的感受野所确定，感受野为输出一帧语音音频所需的应从当前输入特征截取的特征的帧数；示例的，感受野记为rf，则当前尺寸信息为

若当前次处理周期不为第一个处理周期，则当前尺寸信息为上一个处理周期确定的尺寸信息。

S120、对当前特征块进行语音合成推理，输出当前特征块对应的当前语音音频，并确定当前推理消耗时间。

其中，当前语音音频为将当前特征块输入到语音合成模型中进行语音合成推理后输出的音频。

S130、基于当前尺寸信息确定当前特征块的当前时长信息，并基于当前推理消耗时间和当前时长信息确定语音合成模型的当前实时率。

其中，当前时长信息为当前特征块对应输出的语音音频的时长信息，与当前尺寸信息成固定比例，该比例即一帧特征所对应的音频长度，由语音合成模型算法唯一确定；当前实时率为语音合成系统生成1单位时间的语音所需要消耗的单位时间。具体的，获取当前尺寸信息、当前推理消耗时间和特征输入信息对应的时间长度，将当前尺寸信息与一帧输出语音音频的时长的乘积确定为当前时长信息，将当前推理消耗时间与当前时长信息的比值确定为所述当前实时率。

示例的，当前尺寸信息为N帧，当前推理消耗时间为T，一帧输入特征对应的音频长度为t，那么当前时长信息为N*t，当前实时率R＝T/(N*t)。

S140、基于当前尺寸信息和当前实时率确定下一尺寸信息，以供进入下一次处理周期加载使用。

具体的，确定下一尺寸信息的原则为需要在当前特征块合成的音频播放完毕前完成合成，从而不影响连续播报。因此可以获取当前时长信息和当前实时率，将两者的比值确定为下一时长信息，将下一时长信息与单帧音频长度的比值确定为下一尺寸信息。可等效为，获取当前尺寸信息和当前实时率，将当前尺寸信息与当前实时率的比值确定为下一尺寸信息。

示例的，当前尺寸信息为N帧，则当前时长信息为N*t。当前实时率为R，则根据当前时长信息计算得到下一时长信息为N*t/R，计算得到下一尺寸信息为N*t/R/t＝N/R。即等效于根据当前尺寸信息得到下一尺寸信息。下一尺寸信息应向下取整。

S150、当下一尺寸信息大于或等于当前剩余特征的帧数，则将当前剩余特征全部送入语音合成模块进行推理得到当前剩余特征对应的剩余语音音频，否则将当前剩余特征作为当前输入特征，下一尺寸信息作为当前尺寸信息并重复前述步骤。

其中，当前剩余特征为当前输入特征根据当前尺寸信息从当前输入特征中进行截取后剩余的特征。

具体的，判断下一尺寸信息是否大于或等于当前剩余特征的帧数，若下一尺寸信息大于或等于当前剩余特征的帧数，则说明上一特征块的输出音频播放时间足以完成当前剩余特征的合成推理，因此将当前剩余特征组成最后一个特征块，输入语音合成模块得到对应的语音输出，完成流式语音合成；

若下一尺寸信息小于参考帧数，则说明上一特征块的输出音频播放时间不足以完成当前剩余特征的合成推理，仍需要继续进行分块，以期获得连续语音播放报、不影响用户的感知体验。即将刚计算得出的下一尺寸信息作为当前尺寸信息，将当前剩余特征作为当前输入特征，继续执行分块、推理、获取下一尺寸信息的步骤，即上述S110、S120、S130、S140和S150的步骤。

可选的，本申请的分块操作可以将多次单帧推理过程转化为一次多帧推理过程、将多次小帧数推理过程转化为一次大帧数推理过程，实现了输入特征的矩阵化，可以充分利用神经网络算子的并行特性，提升推理速度。即N次X帧推理的时间消耗大于一次N*X帧推理的时间。

本发明实施例的技术方案，确定当前次处理周期使用的当前尺寸信息，并基于当前尺寸信息确定当前特征块，确定对当前特征块进行语音合成推理的当前推理消耗时间，基于当前尺寸信息确定当前特征块的当前时长信息，并基于当前推理消耗时间和当前时长信息确定语音合成模型的当前实时率，基于当前尺寸信息和当前实时率确定下一尺寸信息；当下一尺寸信息大于或等于当前剩余特征的帧数，则将当前剩余特征全部送入语音合成模块得到剩余语音音频，否则继续确定下一尺寸信息并进行分块操作。本申请技术方案基于当前尺寸信息和当前实时率准确确定下一尺寸信息，从而实现对于输入特征的合理分配，解决了因固定分块尺寸而导致的首帧时延与整体推理速度及合成效果无法兼顾的问题，实现了在不影响首帧时延的情况下，提高整体推理速度并提高合成效果，从而改善用户的感知体验。

实施例二

图3为本发明实施例提供的一种流式语音合成装置的结构示意图，本实施例可适用于对输入文本信息进行流式语音合成情况，该流式语音合成装置可以采用硬件和/或软件的形式实现，该流式语音合成装置可配置于任何具有网络通信功能的电子设备中。如图3所示，该装置包括：

特征块确定模块210，用于确定当前次处理周期使用的当前尺寸信息，并基于所述当前尺寸信息确定当前特征块，所述当前特征块是由从当前输入特征中截取所述当前尺寸信息的特征组成，截取后剩余的当前输入特征为当前剩余特征，所述当前尺寸信息为应从当前输入特征中截取特征的帧数，所述输入特征为将待合成文本信息进行编码并按照音素时长信息扩展为帧级所得到的特征，所示音素时长信息为一个音素对应语音音频中的帧数；

时间确定模块220，用于对所述当前特征块进行语音合成推理，输出所述当前特征块对应的当前语音音频，并确定当前推理消耗时间；

第一信息确定模块230，用于基于所述当前尺寸信息确定所述当前特征块的当前时长信息，并基于所述当前推理消耗时间和所述当前时长信息确定所述语音合成模型的当前实时率，所述当前时长信息为当前特征块对应输出语音音频的时长信息；

第二信息确定模块240，用于基于所述当前尺寸信息和所述当前实时率确定下一尺寸信息，以供进入下一次处理周期加载使用；

判断模块250，用于当所述下一尺寸信息大于或等于所述当前剩余特征的帧数，则将所述当前剩余特征全部送入所述语音合成模块进行推理得到当前剩余特征对应的剩余语音音频，否则将所述当前剩余特征作为当前输入特征，所述下一尺寸信息作为当前尺寸信息并重复前述步骤。

可选的，特征块确定模块包括输入特征确定单元，用于：

获取用于进行语音合成的文本信息，将所述文本信息转化为音素信息，并将音素信息进行编码得到编码特征；

确定每个所述音素信息对应的所述音素时长信息；

基于所述音素时长信息将所述音素的编码特征扩展为帧级特征信息，得到所述输入特征。

可选的，特征块确定模块包括尺寸信息确定单元，用于：

若当前次处理周期为第一个处理周期，则所述当前尺寸信息由所述语音合成模型的感受野所确定，所述感受野为输出一帧语音音频所需的应从所述当前输入特征截取的特征的帧数；

若当前次处理周期不为第一个处理周期，则所述当前尺寸信息为上一个处理周期确定的尺寸信息。

可选的，第一信息确定模块，用于：

将所述当前尺寸信息与一帧输出语音音频的时长的乘积确定为所述当前时长信息；

将所述当前推理消耗时间与所述当前时长信息的比值确定为所述当前实时率。

可选的，第二信息确定模块，用于：

将所述当前尺寸信息与所述当前实时率的比值确定为所述下一尺寸信息。

本发明实施例所提供的流式语音合成装置可执行本发明任意实施例所提供的流式语音合成方法，具备执行方法相应的功能模块和有益效果。

实施例三

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图4示出了可以用来实现本发明实施例的流式语音合成方法的电子设备的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如流式语音合成方法。

在一些实施例中，流式语音合成方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的流式语音合成方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行流式语音合成方法。

本文中以上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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(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电子设备。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)、区块链网络和互联网。

计算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。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。