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。通常情况下，考虑到终端设备的处理资源有限和输出结果的稳定性，在对文本进行语音合成时，是分别对文本中的每一个语句进行语音合成，然后再将每个语句合成后的音频进行拼接，得到文本对应的完整音频，一个文本中不同语句对应的音频之间可能存在风格、音量等属性差异较大的问题，导致完整音频的连贯度很低，降低了用户的听觉体验。
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：
获取待合成文本中包括的多个语句中每个语句对应的目标文本；
针对每个所述语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，所述历史文本为所述待合成文本中该语句的上一个语句对应的目标文本，所述历史音频为所述历史文本对应的目标音频；
将每个所述语句对应的目标音频进行合成，得到所述待合成文本对应的总音频。
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中包括的多个语句中每个语句对应的目标文本；
第一合成模块，用于针对每个所述语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，所述历史文本为所述待合成文本中该语句的上一个语句对应的目标文本，所述历史音频为所述历史文本对应的目标音频；
第二合成模块，用于将每个所述语句对应的目标音频进行合成，得到所述待合成文本对应的总音频。
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中包括的多个语句中每个语句对应的目标文本，之后针对每个语句，将该语句对应的目标文本和该语句对应的历史文本、历史音频一起输入到预先训练好的语音合成模型，语音合成模型输出的即为该语句对应的目标音频，其中，历史文本为待合成文本中该语句的上一个语句对应的目标文本，历史音频为历史文本对应的目标音频，最后将每个语句对应的目标音频进行合成，得到待合成文本对应的总音频。本公开在对包含了多个语句的文本进行语音合成时，针对每个语句，都能结合该语句的上一个语句所包含的信息，合成对应的音频，使得相邻的两个语句对应的音频能够保持连贯，从而提高文本对应的总音频的连贯度。
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一种语音合成装置的框图；
图7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8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9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，该方法包括以下步骤：
步骤101，获取待合成文本中包括的多个语句中每个语句对应的目标文本。
举例来说，首先获取需要进行合成的待合成文本，待合成文本中包括了多个语句中每个语句对应的目标文本。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段落对应的文本，相应的目标文本为段落中每个语句对应的文本。待合成文本也可以是一个文本文件中的一个或多个章节对应的文本，还可以是整个文本文件中包括的文本。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。之后可以对待合成文本按照预设规则进行划分，得到其中包括的每个语句对应的目标文本。
步骤102，针对每个语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，历史文本为待合成文本中该语句的上一个语句对应的目标文本，历史音频为历史文本对应的目标音频。
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a文本，b文本和b文本对应的b音频，生成a文本对应的目标音频。其中，b文本为与a文本存在关联关系的文本，关联关系可以理解为b文本对应的语句和a文本对应的语句之间，在音量、风格、情感等维度上具有连贯性。例如，b文本可以和a文本在同一个文本中，b文本也可以是一个文本中与a文本相邻的文本，b文本还可以是一个文本中a文本的上一个文本。相应的，b音频为语音合成模型在处理b文本，c文本和c文本对应的c音频时，生成的b文本对应的目标音频。同样的，c文本为与b文本存在关联关系的文本，c音频为c文本对应的目标音频。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。
在将待合成文本划分为多个语句对应的目标文本之后，针对每个语句，可以将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频。其中，历史文本为待合成文本中该语句的上一个语句对应的目标文本，历史音频为历史文本对应的目标音频。历史音频可以理解为，将历史文本、待合成文本中历史文本的上一个文本，和待合成文本中历史文本的上一个文本对应的目标音频作为语音合成模型的输入时，语音合成模型输出的音频。
步骤103，将每个语句对应的目标音频进行合成，得到待合成文本对应的总音频。
示例的，在得到每个语句对应的目标音频之后，可以将每个语句对应的目标音频进行合成，得到待合成文本对应的总音频。每个语句对应一段目标音频(目标音频可以包括一个或多个音频帧)，将多段目标音频按照每个语句对应的目标文本在待合成文本中的顺序进行拼接，得到一段总的音频即为总音频。这样，在对待合成文本中包括的每个语句对应的目标文本进行语音合成的过程中，除了该语句对应的目标文本之外，还考虑了与该语句存在关联关系的历史文本，和对应的历史音频，这样能够使目标音频和历史音频之间保持连贯，避免了一个文本中不同语句对应的音频之间出现音量突然变化，风格不一致等问题。由于待合成文本中每个语句对应的音频能够在整体上保持连贯，提高了总音频的连贯度，也提高了用户的听觉体验。
综上所述，本公开首先获取待合成文本中包括的多个语句中每个语句对应的目标文本，之后针对每个语句，将该语句和该语句对应的历史文本、历史音频一起输入到预先训练好的语音合成模型，语音合成模型输出的即为该语句对应的目标音频，其中，历史文本为待合成文本中该语句的上一个语句对应的目标文本，历史音频为历史文本对应的目标音频，最后将每个语句对应的目标音频进行合成，得到待合成文本对应的总音频。本公开在对包含了多个语句的文本进行语音合成时，针对每个语句，都能结合该语句的上一个语句所包含的信息，合成对应的音频，使得相邻的两个语句对应的音频能够保持连贯，从而提高文本对应的总音频的连贯度。
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101可以包括：
步骤1011，按照预设的划分符号对待合成文本进行划分，以得到多个语句每个语句对应的目标文本。
步骤1012，按照多个语句在待合成文本中的位置，对多个语句对应的目标文本进行排序。
在一种应用场景中，可以按照预设的划分符号对待合成文本进行划分，从而将待合成文本划分为多个语句对应的目标文本。例如，从待合成文本的第一行的第一个字符开始，查找最接近的划分符号，得到第一个语句对应的目标文本。再从第一个语句对应的目标文本之后的第一个字符开始，向下继续查找最接近的划分符号，得到第二个语句对应的目标文本，依次类推。其中，划分符号例如可以是句号、引号、回车符、换行符等，本公开对此不作具体限定。在得到多个语句对应的目标文本之后，可以按照每个语句对应的目标文本在待合成文本中的位置，对多个语句对应的目标文本进行排序，每个语句对应的目标文本的顺序与在待合成文本中的位置对应。
在一种应用场景中，语音合成模型可以用于：
首先，通过该语句对应的目标文本，获得该语句对应的目标文本对应的文本特征。
之后，通过该语句对应的历史文本获得历史文本对应的历史文本特征，并通过该语句对应的历史音频获得历史音频对应的历史音频特征。
然后，通过文本特征、历史文本特征和历史音频特征获得该语句对应的目标文本对应的语义特征。
最后，通过该语句对应的目标文本对应的语义特征，获得该语句对应的目标音频。
举例来说，语音合成模型合成目标音频的具体过程，可以先提取该语句对应的目标文本对应的文本特征，文本特征可以理解为能够表征该语句对应的目标文本的文本向量。之后，提取历史文本对应的历史文本特征，和历史音频对应的历史音频特征，其中，历史文本特征可以理解为能够表征历史文本的文本向量，历史音频特征可以包括多个维度的特征，例如可以包括：音量特征、风格特征、情感特征、声学特征(包括：响度、音调、音色)中的至少一种，还可以包括韵律特征、语速特征等。
进一步的，可以将文本特征、历史文本特征和历史音频特征组合为该语句对应的目标文本对应的语义特征，从而根据语义特征生成目标音频。其中，语义特征可以理解为能够表征该语句的特征向量。
图3是根据一示例性实施例示出的一种语音合成模型的框图，如图3所示，语音合成模型中可以包括：第一编码器、语句编码器、音频编码器和合成器。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。
语句编码器可以理解为一个提取模型，用于提取历史文本对应的历史文本特征，用于表征历史文本。音频编码器同样也可以理解为一个提取模型，用于提取历史音频中的历史音频特征，用于表征历史音频。其中，语句编码器例如可以是bert(英文：bidirectionalencoderrepresentationfromtransformers)，音频编码器(可以表示为wavefeatureextractor)，例如可以是一个3层，256unit，8head的transformer。
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102的实现方式可以包括以下步骤：
步骤1021，通过第一编码器，提取该语句对应的目标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。将该语句对应的目标文本输入第一编码器，首先，通过嵌入层将目标文本转换为词向量，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，获得能够表征该语句对应的目标文本的文本特征。
步骤1022，通过语句编码器，提取历史文本对应的历史文本特征，历史文本特征能够表征历史文本。
步骤1023，通过音频编码器，提取历史音频对应的历史音频特征，历史音频特征能够表征历史音频，包括：音量特征、风格特征、情感特征、声学特征中的至少一种。
示例的，将历史文本输入语句编码器，以获取语句编码器输出的历史文本特征(可以表示为sentence_embedding)。将历史音频输入音频编码器，以获取音频编码器输出的历史音频向量(可以表示为wave_embedding)。需要说明的是，当该语句对应的目标文本是待合成文本中的第一个语句对应的目标文本时，那么可以将历史文本特征置为零，将历史音频特征也置为零。
步骤1024，通过合成器，将文本特征、历史文本特征和历史音频特征进行组合，以获得该语句对应的目标文本对应的语义特征，并根据该语句对应的目标文本对应的语义特征，生成该语句对应的目标音频。
示例的，合成器可以包括注意力网络、解码器和后处理网络。首先，将文本特征、历史文本特征和历史音频特征进行组合(可以理解为第一语句向量、第二语句向量和音频向量进行累加)，得到组合向量。再将组合向量输入注意力网络，注意力网络可以为组合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组合向量，变为长度可变的语义特征，其中语义特征能够综合表征该语句对应的目标文本、历史文本和历史音频。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，可以将语义特征输入解码器，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语义特征进行非线性变换，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，合成器可以包括解码器，相应的步骤1024的实现方式可以包括：
步骤1)将解码器的隐层状态设置为历史状态值，历史状态值为语音合成模型输出历史音频中的最后一个音频帧时，解码器的隐层状态。
步骤2)将语义特征中第一个语义元素输入解码器，以获取解码器输出的第一个语义元素对应的梅尔频谱特征，语义特征包括多个语义元素。
步骤3)将语义特征中每个其他语义元素输入解码器，以获取解码器输出的每个其他语义元素对应的梅尔频谱特征，其他语义元素为语义特征中除第一个语义元素之外的任一语义元素。
步骤4)通过语义特征中每个语义元素对应的梅尔频谱特征，生成该语句对应的目标音频。
通常情况下，分别对文本中的每一个语句对应的目标文本进行语音合成，然后在将每个语句对应的合成后的音频进行拼接时，会在每个语句合成的音频之间插入固定长度的静音段(例如可以时500ms)，拼接效果生硬，不自然，降低了用户的听觉体验。针对这种情况，在将语义特征输入解码器时，可以先将解码器的隐层状态设置为语音合成模型在输出历史音频中的最后一个音频帧时，解码器的隐层状态(即历史状态值)。其中，隐层状态可以理解为decoder-rnnstate，也就是说，将该语句对应的目标文本的首个timestep对应的decoder-rnnstate，设置为历史文本的最后一个timestep对应的decoder-rnnstate。之后，将语义特征中第一个语义元素(即该语句对应的目标文本的首个timestep)输入解码器，以获取解码器输出的第一个语义元素对应的梅尔频谱特征(可以是一个梅尔频谱特征，也可以是多个梅尔频谱特征)。再将语义特征中第二个语义元素输入解码器，以获取解码器输出的第二个语义元素对应的梅尔频谱特征(可以是一个梅尔频谱特征，也可以是多个梅尔频谱特征)，依次类推，直至获取每个语义元素对应的梅尔频谱特征，最后将语义特征中每个语义元素对应的梅尔频谱特征进行组合，得到梅尔频谱信息。这样，在合成每个语句对应的目标音频时，解码器都能够基于该语句对应的历史文本的decoder-rnnstate，使得语音合成模型能够预测每个语句对应的目标音频中包括的静音帧的数量，从而使总音频中，每个语句对应的目标音频之间的停顿更连贯，更接近自然效果，提高了拼接效果和用户的听觉体验。
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，上述实施例中的语音合成模型是通过如下方式训练得到的：
步骤a，获取训练文本中包括的每个训练语句对应的文本，和训练文本对应的训练总音频中，每个训练语句对应的训练音频。
步骤b，针对每个训练语句，通过该训练语句对应的文本，获得该训练语句对应的文本对应的训练文本特征。
步骤c，通过该训练语句对应的训练历史文本获得训练历史文本对应的训练历史文本特征，并通过该训练语句对应的训练历史音频获得训练历史音频对应的训练历史音频特征，训练历史文本为训练文本中该训练语句的上一个语句对应的文本，训练历史音频为训练历史文本对应的输出音频。
步骤d，通过训练文本特征、训练历史文本特征和训练历史音频特征，获得该训练语句对应的文本对应的训练语义特征。
步骤e，通过该训练语句对应的文本对应的训练语义特征，生成该训练语句对应的输出音频，并根据该训练语句对应的输出音频，与训练总音频中该训练语句对应的训练音频，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总音频。例如可以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，作为训练总音频。其中，训练文本中包括多个训练语句对应的文本，训练总音频可以分为每个训练语句对应的训练音频。
具体的，语音合成模型中可以包括：第一编码器、语句编码器、音频编码器和合成器，训练语音合成模型的具体步骤可以包括：
首先，针对训练文本中的每个训练语句，将该训练语句对应的文本输入第一编码器，以获取第一编码器输出的该训练语句对应的文本对应的训练文本特征。之后，将训练历史文本输入语句编码器，以得到语句编码器输出的训练历史文本特征，并将训练历史音频输入音频编码器，以得到音频编码器输出的，训练历史音频特征。然后，将训练文本特征、训练历史文本特征和训练历史音频特征进行组合，得到训练组合向量，并将训练组合向量输入注意力网络，以获取注意力网络输出的该训练语句对应文本对应的训练语义特征。最后，将训练语义特征输入解码器，以获取解码器输出的训练梅尔频谱信息。将训练梅尔频谱信息输入后处理网络，后处理网络的输出即为语音合成模型输出的输出音频。
将训练文本对应的训练总音频中，该训练语句对应的训练音频，和输出音频进行比较，从而调整语音合成模型中神经元的权重(英文：weight)和连接关系(英文：bias)。并在语音合成模型满足预设条件(例如：预设的损失函数最小)时，确定训练完成。
在一种具体的应用场景中，语音合成模型的损失函数可以由第一损失和第二损失确定。其中，第一损失由该训练语句对应的输出音频，与训练总音频中该训练语句对应的训练音频确定，第二损失由训练历史音频特征，与训练总音频中训练历史文本对应的训练音频确定。
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，该训练语句对应的输出音频，与训练总音频中该训练语句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，训练历史音频特征，与训练总音频中训练历史文本对应的训练音频对应的训练音频特征的差值(也可以是均方误差)来确定的损失函数，其中，训练音频特征为利用信号处理、标注等方式，对训练总音频中，训练历史文本对应的训练音频进行处理得到的。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，同时还可以对音频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音频编码器的准确度和有效性。
综上所述，本公开首先获取待合成文本中包括的多个语句，之后针对每个语句中每个语句对应的目标文本，将该语句对应的目标文本和该语句对应的历史文本、历史音频一起输入到预先训练好的语音合成模型，语音合成模型输出的即为该语句对应的目标音频，其中，历史语句为待合成文本中该语句的上一个语句对应的目标文本，历史音频为历史文本对应的目标音频，最后将每个语句对应的目标音频进行合成，得到待合成文本对应的总音频。本公开在对包含了多个语句的文本进行语音合成时，针对每个语句，都能结合该语句的上一个语句所包含的信息，合成对应的音频，使得相邻的两个语句对应的音频能够保持连贯，从而提高文本对应的总音频的连贯度。
图6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6所示，该装置200包括：
获取模块201，用于获取待合成文本中包括的多个语句中每个语句对应的目标文本。
第一合成模块202，用于针对每个语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，历史文本为待合成文本中该语句的上一个语句对应的目标文本，历史音频为历史文本对应的目标音频。
第二合成模块203，用于将每个语句对应的目标音频进行合成，得到待合成文本对应的总音频。
图7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7所示，获取模块201可以包括：
划分子模块2011，用于按照预设的划分符号对待合成文本进行划分，以得到多个语句每个语句对应的目标文本。
获取子模块2012，用于按照多个语句在待合成文本中的位置，对多个语句对应的目标文本进行排序。
在一种应用场景中，语音合成模型可以用于：
首先，通过该语句对应的目标文本，获得该语句对应的目标文本对应的文本特征。
之后，通过该语句对应的历史文本获得历史文本对应的历史文本特征，并通过该语句对应的历史音频获得历史音频对应的历史音频特征。
然后，通过文本特征、历史文本特征和历史音频特征获得该语句对应的目标文本对应的语义特征。
最后，通过该语句对应的目标文本对应的语义特征，获得该语句对应的目标音频。
图8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8所示，语音合成模型中可以包括：第一编码器、语句编码器、音频编码器和合成器。第一合成模块202可以包括：
第一处理子模块2021，用于通过第一编码器，提取该语句对应的目标文本对应的文本特征。
第二处理子模块2022，用于通过语句编码器，提取历史文本对应的历史文本特征，历史文本特征能够表征历史文本。
第三处理子模块2023，用于通过音频编码器，提取历史音频对应的历史音频特征，历史音频特征能够表征历史音频，包括：音量特征、风格特征、情感特征、声学特征中的至少一种。
第四处理子模块2024，用于通过合成器，将文本特征、历史文本特征和历史音频特征进行组合，以获得该语句对应的目标文本对应的语义特征，并根据该语句对应的目标文本对应的语义特征，生成该语句对应的目标音频。
在另一种实现场景中，第四处理子模块2024用于实现以下步骤：
步骤1)将解码器的隐层状态设置为历史状态值，历史状态值为语音合成模型输出历史音频中的最后一个音频帧时，解码器的隐层状态。
步骤2)将语义特征中第一个语义元素输入解码器，以获取解码器输出的第一个语义元素对应的梅尔频谱特征，语义特征包括多个语义元素。
步骤3)将语义特征中每个其他语义元素输入解码器，以获取解码器输出的每个其他语义元素对应的梅尔频谱特征，其他语义元素为语义特征中除第一个语义元素之外的任一语义元素。
步骤4)通过语义特征中每个语义元素对应的梅尔频谱特征，生成该语句对应的目标音频。
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得到的：
步骤a，获取训练文本中包括的每个训练语句对应的文本，和训练文本对应的训练总音频中，每个训练语句对应的训练音频。
步骤b，针对每个训练语句，通过该训练语句对应的文本，获得该训练语句对应的文本对应的训练文本特征。
步骤c，通过该训练语句对应的训练历史文本获得训练历史文本对应的训练历史文本特征，并通过该训练语句对应的训练历史音频获得训练历史音频对应的训练历史音频特征，训练历史文本为训练文本中该训练语句的上一个语句对应的文本，训练历史音频为训练历史文本对应的输出音频。
步骤d，通过训练文本特征、训练历史文本特征和训练历史音频特征，获得该训练语句对应的文本对应的训练语义特征。
步骤e，通过该训练语句对应的文本对应的训练语义特征，生成该训练语句对应的输出音频，并根据该训练语句对应的输出音频，与训练总音频中该训练语句对应的训练音频，训练语音合成模型。
在一种具体的应用场景中，语音合成模型的损失函数由第一损失和第二损失确定。其中，第一损失由该训练语句对应的输出音频，与训练总音频中该训练语句对应的训练音频确定，第二损失由训练历史音频特征，与训练总音频中训练历史文本对应的训练音频确定。
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中包括的多个语句中每个语句对应的目标文本，之后针对每个语句，将该语句对应的目标文本和该语句对应的历史文本、历史音频一起输入到预先训练好的语音合成模型，语音合成模型输出的即为该语句对应的目标音频，其中，历史文本为待合成文本中该语句的上一个语句对应的目标文本，历史音频为历史文本对应的目标音频，最后将每个语句对应的目标音频进行合成，得到待合成文本对应的总音频。本公开在对包含了多个语句的文本进行语音合成时，针对每个语句，都能结合该语句的上一个语句所包含的信息，合成对应的音频，使得相邻的两个语句对应的音频能够保持连贯，从而提高文本对应的总音频的连贯度。
下面参考图9，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。本公开实施例中的电子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9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9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9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：获取待合成文本中包括的多个语句中每个语句对应的目标文本；针对每个所述语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，所述历史文本为所述待合成文本中该语句的上一个语句对应的目标文本，所述历史音频为所述历史文本对应的目标音频；将每个所述语句对应的目标音频进行合成，得到所述待合成文本对应的总音频。
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“获取目标文本的模块”。
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：获取待合成文本中包括的多个语句中每个语句对应的目标文本；针对每个所述语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，所述历史文本为所述待合成文本中该语句的上一个语句对应的目标文本，所述历史音频为所述历史文本对应的目标音频；将每个所述语句对应的目标音频进行合成，得到所述待合成文本对应的总音频。
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，所述获取待合成文本中包括的多个语句中每个语句对应的目标文本，包括：按照预设的划分符号对所述待合成文本进行划分，以得到每个所述语句对应的目标文本；按照多个所述语句在所述待合成文本中的位置，对多个所述语句对应的目标文本进行排序。
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：通过该语句对应的目标文本，获得该语句对应的目标文本对应的文本特征；通过该语句对应的所述历史文本获得所述历史文本对应的历史文本特征，并通过该语句对应的所述历史音频获得所述历史音频对应的历史音频特征；通过所述文本特征、所述历史文本特征和所述历史音频特征获得该语句对应的目标文本对应的语义特征；通过该语句对应的目标文本对应的所述语义特征，获得该语句对应的目标音频。
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、语句编码器、音频编码器和合成器；所述将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，包括：通过所述第一编码器，提取该语句对应的目标文本对应的所述文本特征；通过所述语句编码器，提取所述历史文本对应的所述历史文本特征，所述历史文本特征能够表征所述历史文本；通过所述音频编码器，提取所述历史音频对应的所述历史音频特征，所述历史音频特征能够表征所述历史音频，包括：音量特征、风格特征、情感特征、声学特征中的至少一种；通过所述合成器，将所述文本特征、所述历史文本特征和所述历史音频特征进行组合，以获得该语句对应的目标文本对应的所述语义特征，并根据该语句对应的目标文本对应的所述语义特征，生成该语句对应的目标音频。
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，所述合成器包括解码器，所述通过所述合成器，根据该语句对应的目标文本对应的所述语义特征，生成该语句对应的目标音频，包括：将所述解码器的隐层状态设置为历史状态值，所述历史状态值为所述语音合成模型输出所述历史音频中的最后一个音频帧时，所述解码器的隐层状态；将所述语义特征中第一个语义元素输入所述解码器，以获取所述解码器输出的所述第一个语义元素对应的梅尔频谱特征，所述语义特征包括多个语义元素；将所述语义特征中每个其他语义元素输入所述解码器，以获取所述解码器输出的每个所述其他语义元素对应的梅尔频谱特征，所述其他语义元素为所述语义特征中除所述第一个语义元素之外的任一语义元素；通过所述语义特征中每个语义元素对应的梅尔频谱特征，生成该语句对应的目标音频。
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得到的：获取训练文本中包括的每个训练语句对应的文本，和所述训练文本对应的训练总音频中，每个所述训练语句对应的训练音频；针对每个所述训练语句，通过该训练语句对应的文本，获得该训练语句对应的文本对应的训练文本特征；通过该训练语句对应的训练历史文本获得所述训练历史文本对应的训练历史文本特征，并通过该训练语句对应的训练历史音频获得所述训练历史音频对应的训练历史音频特征，所述训练历史文本为所述训练文本中该训练语句的上一个语句对应的文本，所述训练历史音频为所述训练历史文本对应的输出音频；通过所述训练文本特征、所述训练历史文本特征和所述训练历史音频特征，获得该训练语句对应的文本对应的训练语义特征；通过该训练语句对应的文本对应的所述训练语义特征，生成该训练语句对应的输出音频，并根据该训练语句对应的输出音频，与所述训练总音频中该训练语句对应的训练音频，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，所述语音合成模型的损失函数由第一损失和第二损失确定，所述第一损失由该训练语句对应的输出音频，与所述训练总音频中该训练语句对应的训练音频确定，所述第二损失由所述训练历史音频特征，与所述训练总音频中所述训练历史文本对应的训练音频确定。
根据本公开的一个或多个实施例，示例8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中包括的多个语句中每个语句对应的目标文本；第一合成模块，用于针对每个所述语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，所述历史文本为所述待合成文本中该语句的上一个语句对应的目标文本，所述历史音频为所述历史文本对应的目标音频；第二合成模块，用于将每个所述语句对应的目标音频进行合成，得到所述待合成文本对应的总音频。
根据本公开的一个或多个实施例，示例9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7中所述方法的步骤。
根据本公开的一个或多个实施例，示例10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7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：
获取待合成文本中包括的多个语句中每个语句对应的目标文本；
针对每个所述语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，所述历史文本为所述待合成文本中该语句的上一个语句对应的目标文本，所述历史音频为所述历史文本对应的目标音频；
将每个所述语句对应的目标音频进行合成，得到所述待合成文本对应的总音频。
2.根据权利要求1所述的方法，其特征在于，所述获取待合成文本中包括的多个语句中每个语句对应的目标文本，包括：
按照预设的划分符号对所述待合成文本进行划分，以得到每个所述语句对应的目标文本；
按照多个所述语句在所述待合成文本中的位置，对多个所述语句对应的目标文本进行排序。
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：
通过该语句对应的目标文本，获得该语句对应的目标文本对应的文本特征；
通过该语句对应的所述历史文本获得所述历史文本对应的历史文本特征，并通过该语句对应的所述历史音频获得所述历史音频对应的历史音频特征；
通过所述文本特征、所述历史文本特征和所述历史音频特征获得该语句对应的目标文本对应的语义特征；
通过该语句对应的目标文本对应的所述语义特征，获得该语句对应的目标音频。
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、语句编码器、音频编码器和合成器；
所述将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，包括：
通过所述第一编码器，提取该语句对应的目标文本对应的所述文本特征；
通过所述语句编码器，提取所述历史文本对应的所述历史文本特征，所述历史文本特征能够表征所述历史文本；
通过所述音频编码器，提取所述历史音频对应的所述历史音频特征，所述历史音频特征能够表征所述历史音频，包括：音量特征、风格特征、情感特征、声学特征中的至少一种；
通过所述合成器，将所述文本特征、所述历史文本特征和所述历史音频特征进行组合，以获得该语句对应的目标文本对应的所述语义特征，并根据该语句对应的目标文本对应的所述语义特征，生成该语句对应的目标音频。
5.根据权利要求4所述的方法，其特征在于，所述合成器包括解码器，所述通过所述合成器，根据该语句对应的目标文本对应的所述语义特征，生成该语句对应的目标音频，包括：
将所述解码器的隐层状态设置为历史状态值，所述历史状态值为所述语音合成模型输出所述历史音频中的最后一个音频帧时，所述解码器的隐层状态；
将所述语义特征中第一个语义元素输入所述解码器，以获取所述解码器输出的所述第一个语义元素对应的梅尔频谱特征，所述语义特征包括多个语义元素；
将所述语义特征中每个其他语义元素输入所述解码器，以获取所述解码器输出的每个所述其他语义元素对应的梅尔频谱特征，所述其他语义元素为所述语义特征中除所述第一个语义元素之外的任一语义元素；
通过所述语义特征中每个语义元素对应的梅尔频谱特征，生成该语句对应的目标音频。
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得到的：
获取训练文本中包括的每个训练语句对应的文本，和所述训练文本对应的训练总音频中，每个所述训练语句对应的训练音频；
针对每个所述训练语句，通过该训练语句对应的文本，获得该训练语句对应的文本对应的训练文本特征；
通过该训练语句对应的训练历史文本获得所述训练历史文本对应的训练历史文本特征，并通过该训练语句对应的训练历史音频获得所述训练历史音频对应的训练历史音频特征，所述训练历史文本为所述训练文本中该训练语句的上一个语句对应的文本，所述训练历史音频为所述训练历史文本对应的输出音频；
通过所述训练文本特征、所述训练历史文本特征和所述训练历史音频特征，获得该训练语句对应的文本对应的训练语义特征；
通过该训练语句对应的文本对应的所述训练语义特征，生成该训练语句对应的输出音频，并根据该训练语句对应的所述输出音频，与所述训练总音频中该训练语句对应的训练音频，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，所述语音合成模型的损失函数由第一损失和第二损失确定，所述第一损失由该训练语句对应的输出音频，与所述训练总音频中该训练语句对应的训练音频确定，所述第二损失由所述训练历史音频特征，与所述训练总音频中所述训练历史文本对应的训练音频确定。
8.一种语音合成装置，其特征在于，所述装置包括：
获取模块，用于获取待合成文本中包括的多个语句中每个语句对应的目标文本；
第一合成模块，用于针对每个所述语句，将该语句对应的目标文本、该语句对应的历史文本和该语句对应的历史音频，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，该语句对应的目标音频，所述历史文本为所述待合成文本中该语句的上一个语句对应的目标文本，所述历史音频为所述历史文本对应的目标音频；
第二合成模块，用于将每个所述语句对应的目标音频进行合成，得到所述待合成文本对应的总音频。
9.一种计算机可读介质，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1-7中任一项所述方法的步骤。
10.一种电子设备，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1-7中任一项所述方法的步骤。
技术总结