语音合成方法、装置、设备、介质及程序产品与流程

所属的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图9来描述根据本技术的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本技术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900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本技术各种示例性实施方式的步骤。例如，处理单元910可以执行上述方法实施例的如下步骤：获取待合成语音的文本信息，待合成语音的文本信息包括多个角色的文本内容；提取每个角色的文本内容中第一属性信息和第二属性信息，其中，第一属性信息用于表示每个角色的音色信息，第二属性信息用于表示每个角色文本内容中的情绪信息；根据文本信息、第一属性信息和第二属性信息生成语音。存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(rom)9203。存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备900也可以与一个或多个外部设备940(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本技术实施方式的方法。特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机程序产品，该计算机程序产品包括：计算机程序，所述计算机程序被处理器执行时实现上述实施例中的方法。在本技术的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本技术上述方法的程序产品。在一些可能的实施方式中，本技术的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本技术各种示例性实施方式的步骤。本技术中的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。在本技术中，计算机可读存储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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本技术中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本技术实施方式的方法。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由所附的权利要求指出。

背景技术：

1、随着人工智能技术的快速发展，语音合成技术在各种应用场景中得到了广泛的应用。传统的语音合成方法通常只能生成单一角色的语音，而无法准确表达不同角色之间的音色和情绪差异。这导致了在需要多角色对话的场景中，合成语音的质量受到了限制，无法提供令人满意的听觉体验。例如，在游戏开发中，非玩家角色(npc)的配音是一个关键的环节。如果npc的配音质量不高，将会严重影响玩家的游戏体验。另外传统的配音方法需要专业配音演员进行录音，不仅成本高昂，而且效率低下。此外，对于需要频繁更新的游戏内容，传统的配音方法也无法满足需求。

2、为了解决上述问题，亟待出现一种新的语音合成方法以高效快速的实现多角色、多音色、多情绪的语音生成需求。

3、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本技术提供一种语音合成方法、装置、设备、介质及程序产品，至少在一定程度上克服由于相关技术中不能实现多角色、多音色、多情绪的语音生成问题。

2、本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。

3、根据本技术的一个方面，提供了一种语音合成方法，包括：获取待合成语音的文本信息，待合成语音的文本信息包括多个角色的文本内容；提取每个角色的文本内容中第一属性信息和第二属性信息，其中，第一属性信息用于表示每个角色的音色信息，第二属性信息用于表示每个角色文本内容中的情绪信息；根据文本信息、第一属性信息和第二属性信息生成语音。

4、在一些实施例中，根据文本信息、第一属性信息和第二属性信息生成语音，包括：将文本信息、第一属性信息和第二属性信息输入至预先训练好的语音生成模型中，得到合成语音。

5、在一些实施例中，在根据文本信息、第一属性信息和第二属性信息生成语音之前，方法还包括：获取训练样本数据，训练样本数据包括文本样本数据和文本样本数据对应的音频样本数据，音频样本数据预先设置有音色标签和情绪标签；根据训练样本数据训练深度学习模型得到语音生成模型。

6、在一些实施例中，获取训练样本数据之后，方法还包括：提取音频样本数据的梅尔频谱；提取文本样本数据中的音素特征。

7、在一些实施例中，若在每个角色的文本内容中提取不到第一属性信息和第二属性信息时，则根据文本信息、第一属性信息和第二属性信息生成语音，包括：获取每个角色的音色标签和/或参考音频，得到第一属性信息；获取对每个角色文本内容的情绪描述信息，得到第二属性信息；基于文本信息、第一属性信息和第二属性信息生成每个角色文本内容的音频信息。

8、在一些实施例中，根据文本信息、第一属性信息和第二属性信息生成语音，包括：对文本信息、第一属性信息和第二属性信息进行编码；根据编码后的文本信息、第一属性信息和第二属性信息生成每个角色文本内容的音频信息。

9、根据本技术的另一个方面，还提供了一种语音合成装置，包括：文本信息获取模块，用于获取待合成语音的文本信息，待合成语音的文本信息包括多个角色的文本内容；属性信息获取模块，用于提取每个角色的文本内容中第一属性信息和第二属性信息，其中，第一属性信息用于表示每个角色的音色信息，第二属性信息用于表示每个角色文本内容中的情绪信息；语音生成模块，用于根据文本信息、第一属性信息和第二属性信息生成语音。

10、根据本技术的另一个方面，还提供了一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的语音合成方法。

11、根据本技术的另一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的语音合成方法。

12、根据本技术的另一个方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任意一项的语音合成方法。

13、本技术的实施例中提供的语音合成方法、装置、设备、介质及程序产品，通过获取包含多个角色的待合成语音的文本信息，提取文本内容中关于每个角色音色信息的第一属性信息和关于每个角色情绪信息的第二属性信息，根据这两种属性信息指导文本信息生成语音，实现了快速高质量的多角色、多音色、多情绪的语音合成，合成的语音能够更好地反映文本中的意图和情感，为听众提供更加生动和沉浸的听觉体验。例如，在有声书中，不同的角色会有不同的声音和情感表达，这使得故事更加引人入胜；在游戏或虚拟现实中，角色的个性化语音增加了互动的真实感和趣味性；在客户服务或教育应用中，合成的语音作为智能对话可以使交互更加友好和有效。

14、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。