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，需要借助原始音库来生成文本对应的音频。原始音库中的数据通常是不具有情感的，相应的，语音合成处理得到的音频也不具有情感，音频的表现力较弱。要使语音合成得到的音频具有情感，就需要创建具有情感的音库，对于录音人员来说工作量大、效率低，很难实现。
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：
获取待合成文本和指定情感类型；
确定所述指定情感类型对应的指定声学特征；
将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取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，所述语音合成模型为根据不具有所述指定情感类型的语料训练得到的。
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和指定情感类型；
确定模块，用于确定所述指定情感类型对应的指定声学特征；
合成模块，用于将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取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，所述语音合成模型为根据不具有所述指定情感类型的语料训练得到的。
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和指定情感类型，之后根据指定情感类型，确定对应的指定声学特征，最后将待合成文本和指定声学特征一起输入到预先训练好的语音合成模型中，语音合成模型输出的即为待合成文本对应的，具有指定情感类型的目标音频，其中，目标音频的声学特征与指定声学特征匹配，并且语音合成模型为根据不具有指定情感类型的语料训练得到的。本公开能够通过情感类型对应的声学特征来控制对文本的语音合成，使得语音合成模型输出的目标音频能够与声学特征对应，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一种关联关系的示意图；
图3是根据一示例性实施例示出的一种语音合成模型的框图；
图4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训练语音合成模型的流程图；
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，获取待合成文本和指定情感类型。
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，还可以是一个文本文件中的一个或多个章节。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，还可以获取指定情感类型，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符合指定情感类型的音频(即后文提及的目标音频)。指定情感类型例如可以为：开心、惊讶、憎恶、生气、害羞、恐惧、悲伤、不屑等。
步骤102，确定指定情感类型对应的指定声学特征。
示例的，人在不同情感状态下发出的声音，会有不同的声学特征，因此可以根据指定情感类型，确定符合指定情感类型的指定声学特征。其中，声学特征可以理解为声音在多个维度的属性，例如可以包括：音量(即energy)、基频(即pitch)、语速(即duration)等。例如，可以预先建立情感类型和声学特征之间对应的关系，从而确定指定情感类型对应的指定声学特征。还可以预先训练一个可以根据情感类型识别声学特征的识别模型，从而将指定情感类型输入该识别模型，该识别模型的输出即为指定声学特征。识别模型例如可以是rnn(英文：recurrentneuralnetwork，中文：循环神经网络)、cnn(英文：convolutionalneuralnetworks，中文：卷积神经网络)、lstm(英文：longshort-termmemory，中文：长短期记忆网络)等神经网络，本公开对此不作具体限定。
步骤103，将待合成文本和指定声学特征输入预先训练的语音合成模型，以获取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，并且语音合成模型为根据不具有指定情感类型的语料训练得到的。
示例的，可以预先训练一个语音合成模型，语音合成模型可以理解成一种tts(英文：texttospeech，中文：从文本到语音)模型，能够根据待合成文本和指定声学特征，生成待合成文本对应的，具有指定情感类型(即与指定声学特征匹配)的目标音频。将待合成文本和指定声学特征作为语音合成模型的输入，语音合成模型的输出即为目标音频。具体的，语音合成模型可以是基于tacotron模型、deepvoice3模型、tacotron2模型、wavenet模型等训练得到的，本公开对此不作具体限定。其中，在对语音合成模型进行训练的过程中，不需要具有指定情感类型的语料(可以理解为语音库)，可以直接利用现有的、不具有指定情感类型的语料进行训练得到。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，还考虑了指定情感类型对应的声学特征，能够使目标音频具有指定情感类型。可以利用现有的，不具有指定情感类型的语料，就能实现在语音合成的过程中，情感类型的显式控制，而无需花费大量的时间成本和人力成本预先创建具有情感的语料，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和指定情感类型，之后根据指定情感类型，确定对应的指定声学特征，最后将待合成文本和指定声学特征一起输入到预先训练好的语音合成模型中，语音合成模型输出的即为待合成文本对应的，具有指定情感类型的目标音频，其中，目标音频的声学特征与指定声学特征匹配，并且语音合成模型为根据不具有指定情感类型的语料训练得到的。本公开能够通过情感类型对应的声学特征来控制对文本的语音合成，使得语音合成模型输出的目标音频能够与声学特征对应，提高了目标音频的表现力。
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。步骤102可以通过以下方式来实现：
根据指定情感类型，和预设的情感类型与声学特征的关联关系，确定对应的指定声学特征。
示例的，可以先获取符合某种情感类型的音频，再利用信号处理、标注等处理方式确定这些音频中的声学特征，从而得到该种情感类型对应的声学特征。对多种情感类型重复执行上述步骤，即可得到情感类型与声学特征的关联关系。其中，声学特征可以包括：基频、音量、语速中的至少一种，还可以包括：音调、音色、响度等，本公开对此不作具体限定。关联关系例如可以如图2所示，从基频、音量、语速三个维度来表示情感类型，其中图2中的(a)所示的是在音量较低(即lowenergy)的场景中，对应的四种情感类型：害羞、恐惧、悲伤、不屑，图2中的(b)所示的是在音量较高(即highenergy)的场景中，对应的四种情感类型：惊讶、开心、生气、憎恶。进一步的，还可以将关联关系数值化，例如，图2中的(a)示出害羞位于音量较低的第二象限，可以将害羞对应的声学特征确定为(音量：-2，基频： 3，语速：-3)。
在另一种应用场景中，语音合成模型可以用于：
首先，通过待合成文本获得待合成文本对应的文本特征，和待合成文本对应的预测声学特征。
之后，通过指定声学特征、预测声学特征和文本特征，获得具有指定情感类型的目标音频。
示例的，语音合成模型合成目标音频的具体过程，可以先提取待合成文本对应的文本特征，并预测待合成文本对应的声学特征。其中，文本特征可以理解为能够表征待合成文本的文本向量。预测声学特征可以理解为语音合成模型根据待合成文本，预测出的符合待合成文本的声学特征，预测声学特征可以包括：基频、音量、语速中的至少一种，还可以包括：音调、音色、响度等。
在获得文本特征和预测声学特征后，可以再结合指定声学特征，生成具有指定情感类型的目标音频。一种实现方式，可以将指定声学特征与预测声学特征进行叠加，得到一个声学特征向量，然后根据声学特征向量与文本向量生成目标音频。另一种实现方式，还可以将指定声学特征、预测声学特征和文本向量进行叠加，得到一个组合向量，然后根据组合向量生成目标音频，本公开对此不作具体限定。
图3是根据一示例性实施例示出的一种语音合成模型的框图，如图3所示，语音合成模型包括：第一编码器、第二编码器和合成器。其中，第一编码器的结构，可以和tacotron模型中的编码器(即encoder)的结构相同，合成器可以理解为tacotron模型中的注意力网络(即attention)、解码器(即decoder)和后处理网络(即post-processing)的组合。第二编码器(可以表示为featureextractor)可以理解为一个提取模型，能够根据输入的文本，预测该文本对应的声学特征(即后文提及的预测声学特征)。
图4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4所示，步骤103可以包括：
步骤1031，通过第一编码器，提取待合成文本对应的文本特征。
举例来说，第一编码器可以包括嵌入层(即characterembedding层)、预处理网络(pre-net)子模型和cbhg(英文：convolutionbank highwaynetwork bidirectionalgatedrecurrentunit，中文：卷积层 高速网络 双向递归神经网络)子模型。将待合成文本输入第一编码器，首先，通过嵌入层将待合成文本转换为词向量，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。
步骤1032，通过第二编码器，提取待合成文本对应的预测声学特征。
示例的，可以将步骤1031中确定的文本特征输入到第二编码器，以使第二编码器根据文本向量预测待合成文本对应的预测声学特征。第二编码器例如可以是一个3层，256unit，8head的transformer。
步骤1033，通过合成器，根据指定声学特征、预测声学特征和文本特征，生成目标音频。
具体的，合成器可以包括注意力网络、解码器和后处理网络。可以先将文本特征输入注意力网络，注意力网络可以为文本向量中的每个元素增加一个注意力权重，从而使得长度固定的文本特征，变为长度可变的语义向量，其中语义向量能够表征待合成文本。具体的，注意力网络可以为位置敏感注意力(英文：locativesensitiveattention)网络，也可以为gmm(英文：gaussianmixturemodel，缩写gmm)attention网络，还可以是multi-headattention网络，本公开对此不作具体限定。
进一步的，可以将指定声学特征、预测声学特征和语义向量输入解码器，一种实现方式，可以将指定声学特征与预测声学特征进行叠加，得到一个声学特征向量，然后将声学特征向量与语义向量作为解码器的输入。另一种实现方式，还可以将指定声学特征、预测声学特征和语义向量进行叠加，得到一个组合向量，然后将组合向量作为解码器的输入。解码器可以包括预处理网络子模型(可以与第一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的指定声学特征、预测声学特征和语义向量进行非线性变换，attention-rnn的结构为一层单向的、基于zoneout的lstm(英文：longshort-termmemory，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。
在一种应用场景中，文本特征中可以包括多个文本元素，步骤1033的实现方式可以，包括：
步骤1)通过合成器，根据当前文本元素、历史梅尔频谱特征、指定声学特征和预测声学特征，确定当前时刻的梅尔频谱特征，当前文本元素为文本特征中当前时刻输入到合成器的文本元素，历史梅尔频谱特征为合成器确定的上一时刻的梅尔频谱特征。
步骤2)通过合成器，根据每个时刻的梅尔频谱特征，生成目标音频。
举例来说，文本特征中可以包括第一数量个文本元素(第一数量大于1)，那么相应的，合成器中的注意力网络输出的语义向量中可以包括第二数量个语义元素，合成器中的解码器输出的梅尔频谱信息可以包括第三数量个梅尔频谱特征。其中，第一数量、第二数量和第三数量可以相同，也可以不同，本公开对此不作具体限定。
具体的，第一数量个文本元素按照预设的timestep输入合成器中的注意力网络，当前时刻输入注意力网络的文本元素为当前文本元素，同时还会将上一时刻解码器输出的历史梅尔频谱特征一起输入注意力网络，从而获得注意力网络输出的当前语义元素(当前语义元素可以为当前时刻注意力网络输出的一个或多个语义元素)。相应的，可以将指定声学特征、预测声学特征、历史梅尔频谱特征和当前语义元素，输入合成器中的解码器，以获取解码器输出的当前梅尔频谱特征。在文本特征全部输入注意力网络之后，解码器将会依次输出第三数量个梅尔频谱特征，即梅尔频谱信息。最后，将梅尔频谱信息(即每个时刻的梅尔频谱特征)输入到合成器中的后处理网络，从而获得后处理网络生成的目标音频。
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，语音合成模型是通过如下方式训练获得的：
步骤a，通过训练文本对应的不具有指定情感类型的训练音频，提取训练音频对应的真实声学特征。
步骤b，将真实声学特征与训练文本输入语音合成模型，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。
举例来说，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，训练音频可以不具有任何情感类型。针对训练文本，可以提取不具有指定情感类型的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。最后，将训练文本和真实声学特征，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，语音合成模型可以包括：第一编码器、第二编码器和合成器，第一编码器和第二编码器之间设置有阻止结构，阻止结构用于阻止第二编码器将梯度回传至第一编码器。
其中，阻止结构可以理解为stop_gradient()，可以截断第二编码器的第二损失，从而阻止第二编码器将梯度回传至第一编码器，也就是说，在第二编码器根据第二损失进行调整时，不会影响到第一编码器，从而避免了语音合成模型训练不稳定的问题。
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，步骤b的实现方式可以包括：
步骤b1，通过第一编码器提取训练文本对应的训练文本特征。
步骤b2，通过第二编码器提取训练文本对应的预测训练声学特征。
步骤b3，通过合成器，根据真实声学特征、预测训练声学特征和训练文本特征，生成语音合成模型的输出。
举例来说，可以将训练文本输入第一编码器，以获取第一编码器输出的训练文本对应的训练文本特征。之后，将训练文本特征输入第二编码器，以获取第二编码器输出的训练文本特征对应的预测训练声学特征。再将真实声学特征、预测训练声学特征和训练文本特征，输入合成器，以将合成器的输出作为语音合成模型的输出。
在另一种应用场景中，语音合成模型的损失函数由第一损失和第二损失确定，第一损失由语音合成模型的输出，与训练音频确定，第二损失由第二编码器的输出，与真实声学特征确定。
示例的，损失函数可以由第一损失和第二损失共同确定的，例如可以是第一损失和第二损失进行加权求和。其中，第一损失可以理解为，将训练文本和对应的真实声学特征输入语音合成模型，根据语音合成模型的输出，与训练文本对应的训练音频的差值(也可以是均方误差)来确定的损失函数。第二损失可以理解为，将训练文本输入第一编码器，得到对应的训练文本特征，再将训练文本特征输入第二编码器，根据第二编码器的输出，与训练文本对应的真实声学特征的差值(也可以是均方误差)来确定的损失函数。这样，在对语音合成模型进行训练的过程中，既可以从整体上调整语音合成模型中神经元的权重和连接关系，同时还可以对第二编码器中的神经元的权重和连接关系进行调整，保证了语音合成模型和其中第二编码器的准确度和有效性。
图7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7所示，语音合成模型还可以通过如下方式训练获得：
步骤c，通过训练音频，提取训练音频对应的真实梅尔频谱信息。
相应的，步骤b可以为：
将真实声学特征、训练文本和真实梅尔频谱信息，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。
示例的，在训练语音合成模型的过程中，还可以获取训练音频对应的真实梅尔频谱信息。例如，可以通过信号处理的方式，得到训练音频对应的真实梅尔频谱信息。相应的，可以将真实声学特征、训练文本和真实梅尔频谱信息，作为语音合成模型的输入，将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。
具体的，可以先将训练文本输入第一编码器，以获取第一编码器输出的训练文本对应的训练文本特征。之后，将训练文本特征输入第二编码器，以获取第二编码器输出的训练文本特征对应的预测训练声学特征。然后将训练文本特征，和训练文本对应的真实梅尔频谱信息，输入注意力网络，以获取注意力网络输出的训练文本对应的训练语义向量。再将预测训练声学特征、训练语义向量、训练文本对应的真实声学特征，和训练文本对应的真实梅尔频谱信息，输入解码器，以获取解码器输出的训练梅尔频谱信息。最后，将训练梅尔频谱信息输入后处理网络，将后处理网络的输出作为合成器的输出(即语音合成模型的输出)。
综上所述，本公开首先获取待合成文本和指定情感类型，之后根据指定情感类型，确定对应的指定声学特征，最后将待合成文本和指定声学特征一起输入到预先训练好的语音合成模型中，语音合成模型输出的即为待合成文本对应的，具有指定情感类型的目标音频，其中，目标音频的声学特征与指定声学特征匹配，并且语音合成模型为根据不具有指定情感类型的语料训练得到的。本公开能够通过情感类型对应的声学特征来控制对文本的语音合成，使得语音合成模型输出的目标音频能够与声学特征对应，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和指定情感类型。
确定模块202，用于确定指定情感类型对应的指定声学特征。
合成模块203，用于将待合成文本和指定声学特征输入预先训练的语音合成模型，以获取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，语音合成模型为根据不具有指定情感类型的语料训练得到的。
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，确定模块202可以用于：
根据指定情感类型，和预设的情感类型与声学特征的关联关系，确定对应的指定声学特征。
在另一种应用场景中，语音合成模型可以用于：
首先，通过待合成文本获得待合成文本对应的文本特征，和待合成文本对应的预测声学特征。
之后，通过指定声学特征、预测声学特征和文本特征，获得具有指定情感类型的目标音频。
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，语音合成模型包括：第一编码器、第二编码器和合成器。合成模块203可以包括：
第一处理子模块2031，用于通过第一编码器，提取待合成文本对应的文本特征。
第二处理子模块2032，用于通过第二编码器，提取待合成文本对应的预测声学特征。
第三处理子模块2033，用于通过合成器，根据指定声学特征、预测声学特征和文本特征，生成目标音频。
在一种应用场景中，文本特征中可以包括多个文本元素。第三处理子模块2033可以用于：
步骤1)通过合成器，根据当前文本元素、历史梅尔频谱特征、指定声学特征和预测声学特征，确定当前时刻的梅尔频谱特征，当前文本元素为文本特征中当前时刻输入到合成器的文本元素，历史梅尔频谱特征为合成器确定的上一时刻的梅尔频谱特征。
步骤2)通过合成器，根据每个时刻的梅尔频谱特征，生成目标音频。
需要说明的是，上述实施例中的语音合成模型是通过如下方式训练获得的：
步骤a，通过训练文本对应的不具有指定情感类型的训练音频，提取训练音频对应的真实声学特征。
步骤b，将真实声学特征与训练文本输入语音合成模型，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。
在一种应用场景中，语音合成模型可以包括：第一编码器、第二编码器和合成器，第一编码器和第二编码器之间设置有阻止结构，阻止结构用于阻止第二编码器将梯度回传至第一编码器。
在另一种应用场景中，步骤b的实现方式可以包括：
步骤b1，通过第一编码器提取训练文本对应的训练文本特征。
步骤b2，通过第二编码器提取训练文本对应的预测训练声学特征。
步骤b3，通过合成器，根据真实声学特征、预测训练声学特征和训练文本特征，生成语音合成模型的输出。
在又一种应用场景中，语音合成模型的损失函数由第一损失和第二损失确定，第一损失由语音合成模型的输出，与训练音频确定，第二损失由第二编码器的输出，与真实声学特征确定。
在又一种应用场景中，语音合成模型还可以通过如下方式训练获得：
步骤c，通过训练音频，提取训练音频对应的真实梅尔频谱信息。
相应的，步骤b可以为：
将真实声学特征、训练文本和真实梅尔频谱信息，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。
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和指定情感类型，之后根据指定情感类型，确定对应的指定声学特征，最后将待合成文本和指定声学特征一起输入到预先训练好的语音合成模型中，语音合成模型输出的即为待合成文本对应的，具有指定情感类型的目标音频，其中，目标音频的声学特征与指定声学特征匹配，并且语音合成模型为根据不具有指定情感类型的语料训练得到的。本公开能够通过情感类型对应的声学特征来控制对文本的语音合成，使得语音合成模型输出的目标音频能够与声学特征对应，提高了目标音频的表现力。
下面参考图10，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10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10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ram303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、rom302以及ram303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10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rom302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(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：获取待合成文本和指定情感类型；确定所述指定情感类型对应的指定声学特征；将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取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，所述语音合成模型为根据不具有所述指定情感类型的语料训练得到的。
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：获取待合成文本和指定情感类型；确定所述指定情感类型对应的指定声学特征；将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取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，所述语音合成模型为根据不具有所述指定情感类型的语料训练得到的。
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，所述指定声学特征包括：基频、音量、语速中的至少一种，所述确定所述指定情感类型对应的指定声学特征，包括：根据所述指定情感类型，和预设的情感类型与声学特征的关联关系，确定对应的所述指定声学特征。
根据本公开的一个或多个实施例，示例3提供了示例1或示例2的方法，所述语音合成模型用于：通过所述待合成文本获得所述待合成文本对应的文本特征，和所述待合成文本对应的预测声学特征；通过所述指定声学特征、所述预测声学特征和所述文本特征，获得具有所述指定情感类型的所述目标音频。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述语音合成模型包括：第一编码器、第二编码器和合成器；所述将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取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，包括：通过所述第一编码器，提取所述待合成文本对应的所述文本特征；通过所述第二编码器，提取所述待合成文本对应的所述预测声学特征；通过所述合成器，根据所述指定声学特征、所述预测声学特征和所述文本特征，生成所述目标音频。
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，所述文本特征包括多个文本元素，通过所述合成器，根据所述指定声学特征、所述预测声学特征和所述文本特征，生成所述目标音频，包括：通过所述合成器，根据当前文本元素、历史梅尔频谱特征、所述指定声学特征和所述预测声学特征，确定当前时刻的梅尔频谱特征，所述当前文本元素为所述文本特征中当前时刻输入到所述合成器的文本元素，所述历史梅尔频谱特征为所述合成器确定的上一时刻的梅尔频谱特征；通过所述合成器，根据每个时刻的梅尔频谱特征，生成所述目标音频。
根据本公开的一个或多个实施例，示例6提供了示例3的方法，所述语音合成模型是通过如下方式训练获得的：通过训练文本对应的不具有所述指定情感类型的训练音频，提取所述训练音频对应的真实声学特征；将所述真实声学特征与所述训练文本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7提供了示例6的方法，所述语音合成模型包括：第一编码器、第二编码器和合成器，所述第一编码器和所述第二编码器之间设置有阻止结构，所述阻止结构用于阻止所述第二编码器将梯度回传至所述第一编码器；所述将所述真实声学特征与所述训练文本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，包括：通过所述第一编码器提取所述训练文本对应的训练文本特征；通过所述第二编码器提取所述训练文本对应的预测训练声学特征；通过所述合成器，根据所述真实声学特征、所述预测训练声学特征和所述训练文本特征，生成所述语音合成模型的输出。
根据本公开的一个或多个实施例，示例8提供了示例6的方法，所述语音合成模型的损失函数由第一损失和第二损失确定，所述第一损失由所述语音合成模型的输出，与所述训练音频确定，所述第二损失由所述第二编码器的输出，与所述真实声学特征确定。
根据本公开的一个或多个实施例，示例9提供了示例6的方法，所述语音合成模型还通过如下方式训练获得的：通过所述训练音频，提取所述训练音频对应的真实梅尔频谱信息；所述将所述真实声学特征与所述训练文本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，包括：将所述真实声学特征、所述训练文本和所述真实梅尔频谱信息，作为所述语音合成模型的输入，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和指定情感类型；确定模块，用于确定所述指定情感类型对应的指定声学特征；合成模块，用于将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取所述语音合成模型输出的，所述待合成文本对应的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，所述语音合成模型为根据不具有所述指定情感类型的语料训练得到的。
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。
1.一种语音合成方法，其特征在于，所述方法包括：
获取待合成文本和指定情感类型；
确定所述指定情感类型对应的指定声学特征；
将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取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，所述语音合成模型为根据不具有所述指定情感类型的语料训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述指定声学特征包括：基频、音量、语速中的至少一种，所述确定所述指定情感类型对应的指定声学特征，包括：
根据所述指定情感类型，和预设的情感类型与声学特征的关联关系，确定对应的所述指定声学特征。
3.根据权利要求1或2所述的方法，其特征在于，所述语音合成模型用于：
通过所述待合成文本获得所述待合成文本对应的文本特征，和所述待合成文本对应的预测声学特征；
通过所述指定声学特征、所述预测声学特征和所述文本特征，获得具有所述指定情感类型的所述目标音频。
4.根据权利要求3所述的方法，其特征在于，所述语音合成模型包括：第一编码器、第二编码器和合成器；
所述将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取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，包括：
通过所述第一编码器，提取所述待合成文本对应的所述文本特征；
通过所述第二编码器，提取所述待合成文本对应的所述预测声学特征；
通过所述合成器，根据所述指定声学特征、所述预测声学特征和所述文本特征，生成所述目标音频。
5.根据权利要求4所述的方法，其特征在于，所述文本特征包括多个文本元素，通过所述合成器，根据所述指定声学特征、所述预测声学特征和所述文本特征，生成所述目标音频，包括：
通过所述合成器，根据当前文本元素、历史梅尔频谱特征、所述指定声学特征和所述预测声学特征，确定当前时刻的梅尔频谱特征，所述当前文本元素为所述文本特征中当前时刻输入到所述合成器的文本元素，所述历史梅尔频谱特征为所述合成器确定的上一时刻的梅尔频谱特征；
通过所述合成器，根据每个时刻的梅尔频谱特征，生成所述目标音频。
6.根据权利要求3所述的方法，其特征在于，所述语音合成模型是通过如下方式训练获得的：
通过训练文本对应的不具有所述指定情感类型的训练音频，提取所述训练音频对应的真实声学特征；
将所述真实声学特征与所述训练文本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。
7.根据权利要求6所述的方法，其特征在于，所述语音合成模型包括：第一编码器、第二编码器和合成器，所述第一编码器和所述第二编码器之间设置有阻止结构，所述阻止结构用于阻止所述第二编码器将梯度回传至所述第一编码器；
所述将所述真实声学特征与所述训练文本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，包括：
通过所述第一编码器提取所述训练文本对应的训练文本特征；
通过所述第二编码器提取所述训练文本对应的预测训练声学特征；
通过所述合成器，根据所述真实声学特征、所述预测训练声学特征和所述训练文本特征，生成所述语音合成模型的输出。
8.根据权利要求7所述的方法，其特征在于，所述语音合成模型的损失函数由第一损失和第二损失确定，所述第一损失由所述语音合成模型的输出，与所述训练音频确定，所述第二损失由所述第二编码器的输出，与所述真实声学特征确定。
9.根据权利要求6所述的方法，其特征在于，所述语音合成模型还通过如下方式训练获得的：
通过所述训练音频，提取所述训练音频对应的真实梅尔频谱信息；
所述将所述真实声学特征与所述训练文本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，包括：
将所述真实声学特征、所述训练文本和所述真实梅尔频谱信息，作为所述语音合成模型的输入，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。
10.一种语音合成装置，其特征在于，所述装置包括：
获取模块，用于获取待合成文本和指定情感类型；
确定模块，用于确定所述指定情感类型对应的指定声学特征；
合成模块，用于将所述待合成文本和所述指定声学特征输入预先训练的语音合成模型，以获取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，所述语音合成模型为根据不具有所述指定情感类型的语料训练得到的。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-9中任一项所述方法的步骤。
12.一种电子设备，其特征在于，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，以实现权利要求1-9中任一项所述方法的步骤。
技术总结