CN114242033B 语音合成方法、装置、设备、存储介质及程序产品 （广州酷狗计算机科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114242033B(45)授权公告日2025.07.01

(21)申请号202111601435.8

(22)申请日2021.12.24

(65)同一申请的已公布的文献号申请公布号CN114242033A

(43)申请公布日2022.03.25

G10L13/08(2013.01)G10L25/63(2013.01)

G10L25/24(2013.01)

G10L25/30(2013.01)

(56)对比文件

CN113314093A,2021.08.27

(73)专利权人广州酷狗计算机科技有限公司

地址510660广东省广州市天河区黄埔大

道中315号自编1-17

(72)发明人黄杰雄轩晓光关迪聆陈传艺孙洪文

JP2006030609A,2006.02.02审查员陈跃燕

(74)专利代理机构北京三高永信知识产权代理

有限责任公司11138专利代理师李芳

(51)Int.CI.

G10L13/02(2013.01)权利要求书3页说明书14页附图5页

(54)发明名称

语音合成方法、装置、设备、存储介质及程序产品

(57)摘要

CN114242033B本申请公开了一种语音合成方法、装置、设备、存储介质及程序产品，涉及人工智能领域。该方法包括：获取目标文本的目标音素、目标情感以及目标音色；对目标音素对应的目标音素特征与目标情感对应的目标情感特征进行特征融合，得到音素融合特征；基于音素融合特征与目标音色对应的目标音色特征进行发音预测，得到目标音素对应的语音发音特征；对语音发音特征进行特征解码，得到目标声学特征；基于目标声学特征合成目标语音，目标语音与目标文本相对应，目标语音是具有目标情感与目标音色的音频。本申请实施例提供的方法，可得到不同情感以及不

CN114242033B

获取目标文本的目标音素、目标情感以及目标音色

获取目标文本的目标音素、目标情感以及目标音色

对目标音素对应的目标音素特征与目标情感对应的目标情感特征进行特征融合，得到音素融合特征

基于音素融合特征与目标音色对应的目标音色特征进行发音预测，得到目标音素对应的语音发音特征

204

对语音发音特征进行特征解码，得到目标声学特征

基于目标声学特征合成目标语音，目标语音与目标文本相对应，目标语音是具有目标情感与目标音色的音频

-202

203

205

CN114242033B权利要求书1/3页

2

1.一种语音合成方法，其特征在于，所述方法包括：

获取目标文本的目标音素、目标情感以及目标音色；

对所述目标音素进行特征编码，得到目标音素序列；对所述目标情感进行特征编码，得到初始情感序列；对所述初始情感序列进行扩展处理，得到目标情感序列，所述目标情感序列与所述目标音素序列的序列长度相同；对所述目标音素序列和所述目标情感序列进行融合处理，得到音素融合序列；

对所述目标音色进行特征编码，得到初始音色序列；对所述初始音色序列进行扩展处理，得到目标音色序列，所述目标音色序列与所述音素融合序列的序列长度相同；将所述目标音色序列与所述音素融合序列输入语音预测网络进行发音预测，得到所述目标音素对应的语音发音序列，所述语音发音序列用于表征目标语音对应的发音时长、音调以及能量中的至少一种；

对所述语音发音序列进行特征解码，得到目标声学特征；

基于所述目标声学特征合成所述目标语音，所述目标语音与所述目标文本相对应，所述目标语音是具有所述目标情感与所述目标音色的音频。

2.根据权利要求1所述的方法，其特征在于，所述音素融合序列由情感融合网络对所述目标音素序列与所述目标情感序列融合得到；

所述目标声学特征由解码网络对所述语音发音序列解码得到。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将所述目标音素序列与所述目标情感序列输入所述情感融合网络进行融合处理，得到所述音素融合序列。

4.根据权利要求3所述的方法，其特征在于，所述将所述目标音素序列与所述目标情感序列输入所述情感融合网络进行融合处理，得到所述音素融合序列，包括：

将所述目标音素序列与所述目标情感序列进行序列融合，得到第一音素融合序列；

将所述第一音素融合