阅读说明：本技术 歌曲生成方法、装置、可读介质及电子设备 (Song generation method and device, readable medium and electronic equipment ) 是由 殷翔 于 2020-03-23 设计创作，主要内容包括：本公开涉及一种歌曲生成方法、装置、可读介质及电子设备,包括接收用户输入的目标文字信息；确定目标歌曲模板；确定目标文字信息中每个文字的演唱时长；根据目标文字信息中的每个文字的演唱时长和目标歌曲模板生成目标频谱数据；通过目标歌曲模板和目标频谱数据合成目标语音波形数据；将目标语音波形数据与目标歌曲模板的模板伴奏信息合成为目标歌曲。这样,用户无需考虑原歌曲对应歌词的内容,任意输入不限个数的文字都可将该文字替换为原歌曲中的歌词来生成新的歌曲,并且生成的歌曲中的人声部分还能保留原歌曲中的人声特征,从而使得生成的歌曲中的人声能够与原歌曲的人声更加接近,进而使得歌曲生成的效果更好。(The disclosure relates to a song generating method, a song generating device, a readable medium and electronic equipment, which comprise receiving target text information input by a user; determining a target song template; determining singing duration of each character in the target character information; generating target frequency spectrum data according to the singing duration of each character in the target character information and the target song template; synthesizing target voice waveform data through the target song template and the target frequency spectrum data; and synthesizing the target voice waveform data and the template accompaniment information of the target song template into the target song. Therefore, a user does not need to consider the content of the lyrics corresponding to the original song, the words with unlimited number can be replaced by the lyrics in the original song to generate a new song by inputting any number of words, and the voice part in the generated song can also keep the voice characteristics in the original song, so that the voice in the generated song can be closer to the voice of the original song, and the generation effect of the song is better.)

歌曲生成方法、装置、可读介质及电子设备

技术领域

本公开涉及语音合成技术领域，具体地，涉及一种歌曲生成方法、装置、可读介质及电子设备。

背景技术

在现有技术中，比较常见的语音合成方案仅仅只能实现将一段文字用人声朗读出来，并没有能直接将包含任意文字数量的文字信息转换为歌曲演唱出来的技术方案，因此，如何将随机输入的一段文字自动替换一段歌曲的歌词，与该歌曲智能结合，使得这段文字作为这一段歌曲的歌词被演唱出来，是现有技术中无法解决的问题。

发明内容

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，本公开提供一种歌曲生成方法，所述方法包括：

接收用户输入的目标文字信息；

确定目标歌曲模板；

确定所述目标文字信息中每个文字的演唱时长；

根据所述目标文字信息中的每个文字的演唱时长和所述目标歌曲模板生成目标频谱数据；

通过所述目标歌曲模板和所述目标频谱数据合成目标语音波形数据；

将所述目标语音波形数据与所述目标歌曲模板的模板伴奏信息合成为目标歌曲。

第二方面，本公开提供一种歌曲生成装置，所述装置包括：

接收模块，用于接收用户输入的目标文字信息；

第一确定模块，用于确定目标歌曲模板；

第二确定模块，用于确定所述目标文字信息中每个文字的演唱时长；

生成模块，用于根据所述目标文字信息中的每个文字的演唱时长和所述生成目标频谱数据；

第一合成模块，用于通过所述和所述目标频谱数据合成目标语音波形数据；

第二合成模块，用于将所述目标语音波形数据与所述目标歌曲模板的模板伴奏信息合成为目标歌曲。

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，其上存储有一个或多个计算机程序；

一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现第一方面所述方法的步骤。

通过上述技术方案，用户在需要生成歌曲时，无需考虑原歌曲对应歌词的内容，任意输入不限个数的文字都可将该文字替换为原歌曲中的歌词，并按照原歌曲的旋律来生成新的歌曲，并且生成的歌曲中的人声部分还能保留原歌曲中的人声特征，从而使得生成的歌曲中的人声能够与原歌曲的人声更加接近，进而使得歌曲生成的效果更好。

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是根据本公开一示例性实施例示出的一种歌曲生成方法的流程图。

图2是根据本公开又一示例性实施例示出的一种歌曲生成方法的流程图。

图3是根据本公开一示例性实施例示出的一种歌曲生成装置的结构框图。

图4示出了适于用来实现本公开实施例的电子设备的结构示意图。

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是根据本公开一示例性实施例示出的一种歌曲生成方法的流程图。如图1所示，所述方法包括步骤101至步骤106。

在步骤101中，接收用户输入的目标文字信息。

在步骤102中，确定目标歌曲模板。

该目标文字信息可以是用户通过任意方式输入的，例如，可以是用户直接手动输入，也可以是通过获取用户的输入语音后从该输入语音中识别得到。针对不同的用户可以输入的目标文字信息的字数，可以根据实际情况设置输入上限和/或输入下限，以保证歌曲生成的效果。

该目标歌曲模板的确定可以是通过用户的选择来确定的，也可以是在用户未选择的情况下自动对默认歌曲模板进行的确定。也即，在有多种歌曲可以生成的情况下，用户在输入目标文字信息之后，可以自行选择想要生成的歌曲，也可以不进行选择，直接使用默认歌曲模板来进行歌曲的生成，或者，在歌曲模板选择功能支持的情况下，还可以选择从所有已有歌曲中随机确定一个歌曲的歌曲模板作为该目标歌曲模板。

在一种可能的实施方式中，该目标歌曲模板可以为原唱歌曲中的一部分，例如，可以为原唱歌曲中的副歌部分，也即原唱歌曲的高潮。

在步骤103中，确定所述目标文字信息中每个文字的演唱时长。

可以是通过该目标歌曲模板来分别确定该目标文字信息中的每个文字的演唱时长。

在一种可能的实施方式中，该目标歌曲模板中还可以包括模板歌词信息和模板音乐信息，该模板歌词信息中可以包括该歌曲中歌词的词性、长度、旋律数量等等标注信息；该模板音乐信息可以包括该歌曲的旋律、节拍、强弱、乐谱时长、节奏、速度、小节、段落、颤音等等标注信息。其中，所述目标文字信息中每个文字的演唱时长就可以是根据所述模板歌词信息和所述模板音乐信息所确定。通过所确定的目标歌曲模板中所存在的模板歌词信息和模板音乐信息，就可以对该目标文字信息中的每一个文字进行演唱时长的分配。例如，可以先根据歌词信息中的旋律数量分别对该目标文字信息中的每个文字进行分配，再根据该模板音乐信息中的乐谱时长以及每个文字对应的旋律数量来对其进行演唱时长的分配。

另外，还可以通过如图2所示的方法流程图来确定该目标文字信息中每个文字的演唱时长，具体方法流程的描述见下文中对图2的说明。

在步骤104中，根据所述目标文字信息中的每个文字的演唱时长和所述目标歌曲模板生成目标频谱数据。

在确定了目标文字信息中每个文字的演唱时长之后，便可结合该目标歌曲模板进行目标频谱数据的生成。其中，在该目标歌曲模板中包括该模板音乐信息的情况下，可以是根据该模板音乐信息和该目标文字信息中每个文字的演唱时长来进行该目标频谱数据的生成。例如，在一种可能的实施方式中，可以通过预设神经网络声学模型根据所述目标文字信息中的每个文字的演唱时长和所述模板音乐信息生成所述目标频谱数据。该预设神经网络声学模型为预先训练得到的，可以为例如DNN(Deep Neural Network)模型。

该目标频谱数据可以为例如MCEP(mel-cepstral coefficients，梅尔倒谱)。

在步骤105中，通过所述目标歌曲模板和所述目标频谱数据合成目标语音波形数据。其中，该目标歌曲模板中还可以包括模板基频数据，其中，该目标语音波形数据可以通过该模板基频数据和该目标频谱数据合成。该模板基频数据即为该歌曲中人声部分的基频数据，其中，该模板基频数据还可以是对该歌曲中人声部分的基频数据进行平滑修正后所得到的基频数据。

该目标语音波形数据可以为例如wave波形数据。

由于该目标歌曲模板中的模板基频数据在新生成的歌曲中也能够复用，因此可以直接通过该模板基频数据与根据目标文字信息生成的目标频谱数据合成得到该目标语音波形数据，该目标语音波形数据即为与待生成的歌曲中的人声相对应的语音数据。

该目标语音波形数据可以是通过预设神经网络声码器来进行合成，该预设神经网络声码器可以为例如WaveNet声码器。

在步骤106中，将所述目标语音波形数据与所述目标歌曲模板的模板伴奏信息合成为目标歌曲。

该目标歌曲模板中所包括模板伴奏信息即可以为从原唱歌曲中提取出来的不包括人声的伴奏音频。在确定了该目标语音波形数据之后，直接将其与目标歌曲模板中的模板伴奏信息进行合成，即可得到通过用户所输入的该目标文字信息所生成的目标歌曲。

通过上述技术方案，用户在需要生成歌曲时，无需考虑原歌曲对应歌词的内容，任意输入不限个数的文字都可将该文字替换为原歌曲中的歌词，并按照原歌曲的旋律来生成新的歌曲，并且生成的歌曲中的人声部分还能保留原歌曲中的人声特征，从而使得生成的歌曲中的人声能够与原歌曲的人声更加接近，进而使得歌曲生成的效果更好。

图2是根据本公开又一示例性实施例示出的一种歌曲生成方法的流程图。如图2所示，所述方法除了包括如图1中所示的步骤101、步骤104和步骤106之外，还包括步骤201至步骤205。

在步骤201中，确定目标歌曲模板，该目标歌曲模板中包括模板伴奏信息、模板基频数据、模板歌词信息和模板音乐信息。

在步骤202中，对所述目标文字信息进行文本分析以得到所述目标文字信息中每个文字所包含的音素与声调信息。

对该目标文字信息进行文本分析的方法可以是通过预先搭建好的文本分析模块来对该目标文字信息进行文本分析。

在接收到步骤101中用户输入的目标文字信息之后，通过对该目标文字信息进行文本分析，从而能够得到该目标文字信息中的每个文字所包含的音素和声调信息。

该步骤202的执行顺序在实际执行的过程中可以是在步骤101之后立即执行，也可以是在需要执行如图1所示的步骤103中确定目标文字信息中每个文字的演唱时长的步骤之前进行。只要能够保证在确定该目标文字信息中的每个文字的演唱时长之前完成对该目标文字信息的文本分析即可。

如上所述，图1中所示的步骤103中，确定目标文字信息中每个文字的演唱时长的方法可以为多种，在本实施例中所示出的步骤203和步骤204即给出了又一种确定目标文字信息中每个文字的演唱时长的方法。

在步骤203中，对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系。

在步骤204中，根据所述对应关系和所述模板音乐信息确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的状态时长。

进行该文字动态匹配的方式可以是通过第一预设机器学习模型对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系。该第一预设机器学习模型可以为例如隐马尔可夫模型(Hidden Markov Model，HMM)。该第一预设机器学习模型通过该模板歌词信息中所包括的例如词性、长度和旋律数量等等标注信息、以及该目标文字信息中所包括的该音素和声调，就能够对该目标文字信息中的每个文字与该模板歌词信息中的歌词中的每个文字之间进行动态匹配。

例如，若用户输入的该目标文字信息为“今天的心情真的超级好”，确定的目标歌曲模板中所包括的模板歌词信息对应的歌词内容为“天青色等烟雨，而我在等你”，则在对该模板歌词信息和该目标文字信息进行文字动态匹配的结果可以为“今天的”对应“天青色”、“心情”对应“等烟雨”、“真的超级好”对应“而我在等你”。该模板歌词信息中歌词中的每个字的演唱时长是固定的，因此在确定了该目标文字信息与该模板歌词信息之间的对应关系后，也就确定了该目标文字信息中每个文字或每多个文字所对应的演唱时长。

进一步地，再根据通过文字动态匹配所得到的目标文字信息与模板歌词信息之间的对应关系来对该目标文字信息中的每个文字的细节演唱时长进行确定，也即确定该目标文字信息中每个文字中所包含的每个音素中的每个状态的状态时长。优选的，在本公开中的每个文字中所包含的每个音素的状态为5维状态。在确定了该目标文字信息中每个文字中所包含的每个音素的每个状态的状态时长之后，即确定了每个文字的演唱时长。

例如，上述目标文字信息中的文字“今天的”对应模板歌词信息中的“天青色”，确定该歌词“天青色”一共演唱了1秒(例如12帧)的时长，则在通过文本分析得到文字“今天的”所包括的所有音素之后，便可将该1秒的演唱时长分配给“今天的”中所包括的所有音素所对应的每个状态。在得到每个文字中所包括的每个音素的每个状态的状态时长之后，所有音素包括的所有状态的状态时长之和便为该文字的演唱时长。

进行上述状态时长确定的方式可以是通过第二预设机器学习模型来确定的。该第二预设机器学习模型可以根据所述对应关系、所述模板歌词信息以及所述模板音乐信息来确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的所述状态时长。该第二预设机器学习模型也可以与该第一预设机器学习模型一样为隐马尔可夫模型。

在步骤205中，通过所述模板基频数据和所述目标频谱数据合成目标语音波形数据。

通过上述技术方案，在对目标文字信息进行文本分析得到其中每个文字的音素和声调等信息之后，便可以通过先进行文字动态匹配，再在动态匹配所得到的匹配结果的基础上预测每个文字状态时长的方法来确定该目标文字信息中每个文字的演唱时长，这样，能够通过该文字动态匹配来进一步提高该目标文字信息与该目标歌曲模板的适配程度，使得该目标文字信息能够更好地与该目标歌曲模板相结合，从而提高最终生成的歌曲效果。

在一种可能的实施方式中，图2中所示的步骤203中对所述模板歌词信息和所述目标文字信息进行文字动态匹配的方法还可以包括：在所述目标文字信息与所述模板歌词信息之间的匹配效果低于预期匹配目标的情况下，在所述目标文字信息中加入一个或多个预设拟声词后再次对所述模板歌词信息和增加了拟声词后的目标文字信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标；和/或将所述目标文字信息中的所有文字重复后再次对所述模板歌词信息和重复后的目标文字信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标。

该目标文字信息与该目标歌词信息之间的匹配效果可以通过任意预设的方式来进行确定，例如，在通过该第一预设机器学习模型来进行该文字动态匹配的情况下，该匹配效果便可以由该第一预设机器学习模型来进行智能判断，只要能够在该目标文字信息与该目标歌词信息之间直接进行动态匹配效果不好的情况下，无论是该第一预设机器学习模型来自动对该目标文字信息进行拟声词的加入或对该目标文字信息进行重复，还是通过其他方式来进行该拟声词的加入或对该目标文字信息的重复，都能够使得最终得到的目标文字信息与模板歌词信息之间的对应关系能够使得生成歌曲效果更好即可。

在该目标文字信息中加入一个或多个预设拟声词可以为例如在上述目标文字信息“今天的天气真的超级好”之后加上预设拟声词“啊”；对该目标文字信息中的所有文字重复便可以为将原目标文字信息“今天的天气真的超级好”重复为“今天的天气真的超级好，今天的天气真的超级好”。上述两种处理方式可以仅进行一者，也可以两者同时进行。

在一种可能的实施方式中，图2中所示的步骤203中对所述模板歌词信息和所述目标文字信息进行文字动态匹配的方法还可以包括：在所述目标文字信息与所述模板歌词信息之间的匹配效果低于预期匹配目标的情况下，将所述目标歌曲模板重复后再次对所述目标文字信息和重复后的目标歌曲模板中的模板歌词信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标。例如，在该目标文字信息为“今天的天气真的超级好，可是我只想在家里宅着吹空调”，确定的目标歌曲模板中的模板歌词信息中所包括的歌词仅为“天青色等烟雨，而我在等你”，则此时便可将该目标歌曲模板重复后再与该目标文字信息进行文字动态匹配，上述目标歌曲模板重复一遍之后所对应的模板歌词信息中所包括的歌词便为重复的两句“天青色等烟雨，而我在等你”，之后再使用重复的两句模板歌词信息与上述目标文字信息“今天的天气真的超级好，可是我只想在家里宅着吹空调”进行文字动态匹配。

另外，并非只有在目标文字信息中包含的文字数量较多时才会对该目标歌曲模板进行重复，只要是该目标文字信息与模板歌词信息之间的匹配效果不能满足与其的匹配目标，都可以通过上述多种对目标歌曲模板和/或目标文字信息进行处理的方法，来提高该目标文字信息与模板歌词信息之间的匹配效果。

图3是根据本公开又一示例性实施例示出的一种歌曲生成装置100的结构框图。如图3所示，所述装置100包括：接收模块10，用于接收用户输入的目标文字信息；第一确定模块20，用于确定目标歌曲模板；第二确定模块30，用于确定所述目标文字信息中每个文字的演唱时长；生成模块40，用于根据所述目标文字信息中的每个文字的演唱时长和所述目标歌曲模板生成目标频谱数据；第一合成模块50，用于通过所述目标歌曲模板和所述目标频谱数据合成目标语音波形数据；第二合成模块60，用于将所述目标语音波形数据与所述目标歌曲模板的模板伴奏信息合成为目标歌曲。

通过上述技术方案，用户在需要生成歌曲时，无需考虑原歌曲对应歌词的内容，任意输入不限个数的文字都可将该文字替换为原歌曲中的歌词，并按照原歌曲的旋律来生成新的歌曲，并且生成的歌曲中的人声部分还能保留原歌曲中的人声特征，从而使得生成的歌曲中的人声能够与原歌曲的人声更加接近，进而使得歌曲生成的效果更好。

在一种可能的实施方式中，所述第一确定模块20确定的所述目标歌曲模板中还包括模板歌词信息、模板基频数据和模板音乐信息；所述目标文字信息中每个文字的演唱时长为所述第二确定模块30根据所述模板歌词信息和所述模板音乐信息所确定；所述目标频谱数据为所述生成模块40根据所述目标文字信息中的每个文字的演唱时长和所述模板音乐信息所生成；所述目标语音波形数据为所述第一合成模块50通过所述模板基频数据和所述目标频谱数据合成。

在一种可能的实施方式中，所述装置100还包括：文本分析模块，用于对所述目标文字信息进行文本分析以得到所述目标文字信息中每个文字所包含的音素与声调信息；所述第二确定模块30包括：动态匹配模块，用于对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系；时长预测模块，用于根据所述对应关系和所述模板音乐信息确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的状态时长。

在一种可能的实施方式中，所述动态匹配模块还用于通过第一预设机器学习模型对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系。

在一种可能的实施方式中，所述动态匹配模块还用于在所述目标文字信息与所述模板歌词信息之间的匹配效果低于预期匹配目标的情况下，在所述目标文字信息中加入一个或多个预设拟声词后再次对所述模板歌词信息和增加了拟声词后的目标文字信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标；和/或将所述目标文字信息中的所有文字重复后再次对所述模板歌词信息和重复后的目标文字信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标。

在一种可能的实施方式中，所述动态匹配模块还用于在所述目标文字信息与所述模板歌词信息之间的匹配效果低于预期匹配目标的情况下，将所述目标歌曲模板重复后再次对所述目标文字信息和重复后的目标歌曲模板中的模板歌词信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标。

在一种可能的实施方式中，所述时长预测模块还用于通过第二预设机器学习模型根据所述对应关系、所述模板歌词信息以及所述模板音乐信息确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的所述状态时长。

在一种可能的实施方式中，所述生成模块40还用于通过预设神经网络声学模型根据所述目标文字信息中的每个文字的演唱时长和所述目标歌曲模板生成所述目标频谱数据。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备400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4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4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401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，可以利用诸如HTTP(HyperText Transfer Protocol，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，ad hoc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：接收用户输入的目标文字信息；确定目标歌曲模板；确定目标文字信息中每个文字的演唱时长；根据目标文字信息中的每个文字的演唱时长和目标歌曲模板生成目标频谱数据；通过目标歌曲模板和目标频谱数据合成目标语音波形数据；将目标语音波形数据与目标歌曲模板的模板伴奏信息合成为目标歌曲。

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，接收模块还可以被描述为“接收用户输入的目标文字信息的模块”。

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提供了一种歌曲生成方法，所述方法包括：接收用户输入的目标文字信息；确定目标歌曲模板；确定所述目标文字信息中每个文字的演唱时长；根据所述目标文字信息中的每个文字的演唱时长和所述目标歌曲模板生成目标频谱数据；通过所述目标歌曲模板和所述目标频谱数据合成目标语音波形数据；将所述目标语音波形数据与所述目标歌曲模板的模板伴奏信息合成为目标歌曲。

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，所述目标歌曲模板中还包括模板歌词信息、模板基频数据和模板音乐信息；所述目标文字信息中每个文字的演唱时长为根据所述模板歌词信息和所述模板音乐信息所确定；所述目标频谱数据为根据所述目标文字信息中的每个文字的演唱时长和所述模板音乐信息所生成；所述目标语音波形数据通过所述模板基频数据和所述目标频谱数据合成。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，还包括：对所述目标文字信息进行文本分析以得到所述目标文字信息中每个文字所包含的音素与声调信息；所述确定所述目标文字信息中每个文字的演唱时长包括：对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系；根据所述对应关系和所述模板音乐信息确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的状态时长。

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，所述对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系包括：通过第一预设机器学习模型对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系。

根据本公开的一个或多个实施例，示例5提供了示例3或示例4的方法，所述对所述模板歌词信息和所述目标文字信息进行文字动态匹配还包括：在所述目标文字信息与所述模板歌词信息之间的匹配效果低于预期匹配目标的情况下，在所述目标文字信息中加入一个或多个预设拟声词后再次对所述模板歌词信息和增加了拟声词后的目标文字信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标；和/或将所述目标文字信息中的所有文字重复后再次对所述模板歌词信息和重复后的目标文字信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标。

根据本公开的一个或多个实施例，示例6提供了示例3或示例4的方法，所述对所述模板歌词信息和所述目标文字信息进行文字动态匹配还包括：在所述目标文字信息与所述模板歌词信息之间的匹配效果低于预期匹配目标的情况下，将所述目标歌曲模板重复后再次对所述目标文字信息和重复后的目标歌曲模板中的模板歌词信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标。

根据本公开的一个或多个实施例，示例7提供了示例3的方法，所述根据所述对应关系和所述模板音乐信息确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的状态时长包括：通过第二预设机器学习模型根据所述对应关系、所述模板歌词信息以及所述模板音乐信息确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的所述状态时长。

根据本公开的一个或多个实施例，示例8提供了示例1的方法，所述根据所述目标文字信息中的每个文字的演唱时长和所述模板音乐信息生成目标频谱数据包括：通过预设神经网络声学模型根据所述目标文字信息中的每个文字的演唱时长和所述模板音乐信息生成所述目标频谱数据。

根据本公开的一个或多个实施例，示例9提供了一种歌曲生成装置，所述装置包括：接收模块，用于接收用户输入的目标文字信息；第一确定模块，用于确定目标歌曲模板；第二确定模块，用于确定所述目标文字信息中每个文字的演唱时长；生成模块，用于根据所述目标文字信息中的每个文字的演唱时长和所述目标歌曲模板生成目标频谱数据；第一合成模块，用于通过所述目标歌曲模板和所述目标频谱数据合成目标语音波形数据；第二合成模块，用于将所述目标语音波形数据与所述目标歌曲模板的模板伴奏信息合成为目标歌曲。

根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述第一确定模块确定的所述目标歌曲模板中还包括模板歌词信息、模板基频数据和模板音乐信息；所述目标文字信息中每个文字的演唱时长为所述第二确定模块根据所述模板歌词信息和所述模板音乐信息所确定；所述目标频谱数据为所述生成模块根据所述目标文字信息中的每个文字的演唱时长和所述模板音乐信息所生成；所述目标语音波形数据为所述第一合成模块通过所述模板基频数据和所述目标频谱数据合成。

根据本公开的一个或多个实施例，示例11提供了示例10的装置，还包括：文本分析模块，用于对所述目标文字信息进行文本分析以得到所述目标文字信息中每个文字所包含的音素与声调信息；所述第二确定模块包括：动态匹配模块，用于对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系；时长预测模块，用于根据所述对应关系和所述模板音乐信息确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的状态时长。

根据本公开的一个或多个实施例，示例12提供了示例11的装置，所述动态匹配模块还用于通过第一预设机器学习模型对所述模板歌词信息和所述目标文字信息进行文字动态匹配，以得到所述目标文字信息中每个文字与所述模板歌词信息中的文字之间的对应关系。

根据本公开的一个或多个实施例，示例13提供了示例11或12的装置，所述动态匹配模块还用于在所述目标文字信息与所述模板歌词信息之间的匹配效果低于预期匹配目标的情况下，在所述目标文字信息中加入一个或多个预设拟声词后再次对所述模板歌词信息和增加了拟声词后的目标文字信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标；和/或将所述目标文字信息中的所有文字重复后再次对所述模板歌词信息和重复后的目标文字信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标。

根据本公开的一个或多个实施例，示例14提供了示例11或12的装置，所述动态匹配模块还用于在所述目标文字信息与所述模板歌词信息之间的匹配效果低于预期匹配目标的情况下，将所述目标歌曲模板重复后再次对所述目标文字信息和重复后的目标歌曲模板中的模板歌词信息进行文字动态匹配，直至所述匹配效果达到所述预期匹配目标。

根据本公开的一个或多个实施例，示例15提供了示例11的装置，所述时长预测模块还用于通过第二预设机器学习模型根据所述对应关系、所述模板歌词信息以及所述模板音乐信息确定所述目标文字信息中每个文字中所包含的每个音素中的每个状态的所述状态时长。

根据本公开的一个或多个实施例，示例16提供了示例9的装置，所述生成模块还用于通过预设神经网络声学模型根据所述目标文字信息中的每个文字的演唱时长和所述目标歌曲模板生成所述目标频谱数据。

根据本公开的一个或多个实施例，示例17提供了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示例1-8中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例18提供了一种电子设备，包括：存储装置，其上存储有一个或多个计算机程序；一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现示例1-8中任一项所述方法的步骤。

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。