一种模型训练及语音合成方法、装置、设备和介质
阅读说明：本技术 一种模型训练及语音合成方法、装置、设备和介质 (Model training and voice synthesis method, device, equipment and medium ) 是由 康永国 于 2020-07-13 设计创作，主要内容包括：本申请公开了一种模型训练及语音合成方法、装置、设备和介质,涉及人工智能、深度学习和语音技术领域。具体实现方案为：获取训练数据集中的样本文本；基于预先采用无监督的训练方法训练出的声学模型,确定所述样本文本对应的标签信息；其中,所述标签信息包括风格信息和/或角色信息；基于所述样本文本以及所述样本文本对应的标签信息,对文本分类模型进行训练；其中,所述文本分类模型用于根据输入的文本输出对应的标签信息。本申请实施例实现了自动确定样本文本对应的标签信息的技术效果,提高了标签标注的准确性以及效率,相应提高了文本训练模型的训练速度。(The application discloses a model training and voice synthesis method, device, equipment and medium, and relates to the technical fields of artificial intelligence, deep learning and voice. The specific implementation scheme is as follows: acquiring a sample text in a training data set; determining label information corresponding to the sample text based on an acoustic model trained by adopting an unsupervised training method in advance; the label information comprises style information and/or role information; training a text classification model based on the sample text and the label information corresponding to the sample text; and the text classification model is used for outputting corresponding label information according to the input text. The embodiment of the application realizes the technical effect of automatically determining the label information corresponding to the sample text, improves the label marking accuracy and efficiency, and correspondingly improves the training speed of the text training model.)
技术领域
本申请实施例涉及人工智能、深度学习和语音技术领域，具体涉及一种模型训练及语音合成方法、装置、设备和介质。
背景技术
传统语音合成技术采用有监督的机器学习，即不同风格、不同情感或者不同角色的文本数据都有其相应标签，这些标签可以帮助语音合成系统更好的建模和生成语音。
现有方法通常是由标注人员根据主观经验对获取的文本数据进行标签标注，但是由于各标注人员对标签理解不一致，从而导致标签标注的准确率较低，且由于需要标注人员对数据进行人工标注，因此标签标注的效率也较低。
发明内容
本公开实施例提供了一种模型训练及语音合成方法、装置、设备和介质。
根据本申请公开的一方面，提供了一种模型训练方法，所述方法包括：
获取训练数据集中的样本文本；
基于预先采用无监督的训练方法训练出的声学模型，确定所述样本文本对应的标签信息；其中，所述标签信息包括风格信息和/或角色信息；
基于所述样本文本以及所述样本文本对应的标签信息，对文本分类模型进行训练；其中，所述文本分类模型用于根据输入的文本输出对应的标签信息。
根据本申请公开的另一方面，提供了一种语音合成方法，所述方法包括：
将待合成文本输入到预先训练出的文本分类模型，获得所述分类模型输出的所述待合成文本对应的标签信息；其中，所述标签信息包括风格信息和/或角色信息；所述文本分类模型是使用本申请公开的一种模型训练方法训练出的模型；
根据本申请公开的另一方面，提供了一种模型训练装置，所述装置包括：
样本文本获取模块，用于获取训练数据集中的样本文本；
标签信息确定模块，用于基于预先采用无监督的训练方法训练出的声学模型，确定所述样本文本对应的标签信息；其中，所述标签信息包括风格信息和/或角色信息；
文本分类模型训练模块，用于基于所述样本文本以及所述样本文本对应的标签信息，对文本分类模型进行训练；其中，所述文本分类模型用于根据输入的文本输出对应的标签信息。
根据本申请公开的另一方面，提供了一种语音合成装置，所述装置包括：
标签信息获取模块，用于将待合成文本输入到预先训练出的文本分类模型，获得所述分类模型输出的所述待合成文本对应的标签信息；其中，所述标签信息包括风格信息和/或角色信息；所述文本分类模型是使用本申请公开的一种模型训练方法训练出的模型；
声学特征获取模块，用于将所述待合成文本的文本特征以及所述待合成文本对应的标签信息，输入到预先采用无监督的训练方法训练出的声学模型，获得所述声学模型输出的所述文本特征和所述标签信息对应的声学特征；
语音合成模块，用于基于所述声学特征对所述待合成文本进行语音合成，获得所述待合成文本对应的语音数据。
根据本申请公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请实施例任一所述的模型训练方法和/或语音合成方法。
根据本申请公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例任一所述的模型训练方法和/或语音合成方法。
根据本申请的技术实现了自动确定样本文本对应的标签信息的技术效果，提高了标签标注的准确性以及效率，相应提高了文本训练模型的训练速度；以及，实现了生成多风格、多角色且感情丰富多彩的语音数据，更加贴近真人朗读风格，大幅提升用户收听语音数据的时间和体验的技术效果。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例的一种模型训练方法的流程图；
图2A是根据本申请实施例的一种模型训练方法的流程图；
图2B是根据本申请实施例的一种模型训练的示意图；
图3A是根据本申请实施例的一种语音合成方法的流程图；
图3B是根据本申请实施例的一种语音合成的示意图；
图4是根据本申请实施例的一种模型训练装置的结构示意图；
图5是根据本申请实施例的一种语音合成装置的结构示意图；
图6是根据本申请实施例的一种模型训练及语音合成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在传统语音合成技术中，采用有监督机器学习方法来确定文本数据对应的标签并不容易，比如要获得四种标签的文本数据，一种方法是按照标签一个一个去录制，这样非常的耗费时间；另一种方法是去搜集历史已有数据，并通过标注人员按照经验进行人工标注，这种标注方法的缺点在于准确率和效率较低。因此，对于一些场景的多风格且多角色的语音播报，采用传统的有监督机器学习方法存在极大困难。
图1是根据本申请实施例公开的一种模型训练方法的流程图，本实施例可以适用于无监督的对文本分类模型进行训练的情况。本实施例方法可以由模型训练装置来执行，该装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上，例如服务器等。
如图1所示，本实施例公开的模型训练方法可以包括：
S101、获取训练数据集中的样本文本。
其中，训练数据集包括用于训练声学模型和文本分类模型的训练数据。在本实施例中训练数据集中包括样本文本、样本文本的文本特征和样本文本对应的语音数据。所述样本文本是通过对采集的语音数据进行语音识别得到的。
可选的，所述样本文本的生成方法包括A和B两个步骤：
A、获取预设数量的真人语音数据，对各所述真人语音数据执行去除背景音乐和/或噪声的操作。
其中，真人语音数据指的是由真人进行配音的语音数据。
在一种实施方式中，在互联网中进行数据采集，以获取预设数量的真人语音数据，并根据真人语音数据中背景音乐和/或噪声所处的音频范围，采用对应音频范围的滤波器对真人语音数据进行滤波处理，以去除真人语音数据中的背景音乐和/或噪声。
可选的，所述真人语音数据包括：文学载体的真人语音播报数据，例如小说的真人语音播报数据、诗歌的真人语音播报数据、散文的真人语音播报数据和歌剧的真人语音播报数据等。
通过将文学载体的真人语音播报数据作为真人语音数据，相比于传统的录音棚录制，具有以下优势：1)风格表现和情感起伏更加自然，角色扮演更加逼真，也更加的自然。2)可以即时评估文学载体的真人语音播报数据是否可用，而录音棚后期录制即使事先发音人挑选没有问题，经过长时间录制也有可能出现录音质量不达标或者风格表现不到位的情况。3)可以快速复制到更多文学载体的真人语音播报发音人，和不同类型的文学载体的真人语音播报数据。
B、对各所述真人语音数据进行切分，并获取切分后每条语音数据分别对应的文本，作为样本文本。
在一种实施方式中，以字、词语或句子中的至少一种为单位，对真人语音数据进行切分，得到若干条的语音数据，例如以“字”为单位进行切分，则得到若干条“字语音数据”，又例如以“词语”为单位进行切分，则得到若干条“词语语音数据”，又例如以“句子”为单位进行切分，则得到若干条“句子语音数据”。进而利用现有的语音识别算法对每条语音数据进行语音识别，获取每条语音数据对应的文本，作为训练数据集中的样本文本。其中，语音识别算法包括但不限于动态时间规整算法、基于参数模型的隐马尔可夫模型算法和基于非参数模型的矢量量化算法等。
可选的，以句子为单位对真人语音数据进行切分，包括：通过现有的音频断句方法，例如根据语音停顿时间进行音频断句，或者，根据语音的分贝数进行音频断句等，对获取的真人语音数据进行切分。通过获取预设数量的真人语音数据，对各真人语音数据执行去除背景音乐和/或噪声的操作，使得得到的真人语音数据干扰因素更少，保证后续声学模型训练的准确性和可靠性；通过对各真人语音数据进行切分，并获取切分后每条语音数据分别对应的文本，作为样本文本，保持了样本文本和语音数据的一致性，使得后续声学模型训练能够顺利进行。
通过获取训练数据集中的样本文本，为后续根据样本文本，确定其对应的标签信息，奠定了基础。
S102、基于预先采用无监督的训练方法训练出的声学模型，确定所述样本文本对应的标签信息；其中，所述标签信息包括风格信息和/或角色信息。
其中，利用无监督的训练方法能够无需人为参与即可完成模型的训练，自主的挖掘数据之间的联系。
在一种实施方式中，采用无监督的训练方法进行声学模型的建模，利用现有的聚类算法对语音数据进行聚类，包括但不限于k-means聚类、层次聚类、DBSCAN密度聚类和网格聚类等，得到聚类结果。可选的，所属聚类结果包括各语音数据分别对应的标签信息，所述标签信息包括风格信息和/或角色信息，例如风格信息包括但不限于慷慨激昂、雄健豪放、感情奔放、苍凉悲壮和奇诡变幻等，角色信息包括但不限于女人、男人、老人和小孩子等。最终将语音数据对应的标签信息，作为语音数据对应样本文本对应的标签信息。
通过基于预先采用无监督的训练方法训练出的声学模型，确定样本文本对应的标签信息，实现了自动确定样本文本对应的标签的效果，提高了标签标注的准确性以及效率。
S103、基于所述样本文本以及所述样本文本对应的标签信息，对文本分类模型进行训练；其中，所述文本分类模型用于根据输入的文本输出对应的标签信息。
其中，文本分类模型的类型包括但不限于CNN(Convolutional Neural Networks，卷积神经网络)模型和Transform模型等。
在一种实施方式中，将样本文本以及得到的样本文本对应的标签信息，作为用于训练文本分类模型的训练数据，并利用现有的模型训练方法进行模型训练，以得到文本分类模型。文本分类模型用于对文本进行标签标注，将待标注标签的文本输入到文本分类模型中，文本分类模型则相应输出该文本对应的标签信息。
通过基于样本文本以及样本文本对应的标签信息，对文本分类模型进行训练，实现了文本分类模型的建模，且无需人工参与，节省了人工成本。
根据本实施例的技术方案，通过获取训练数据集中的样本文本，并基于预先采用无监督训练方法训练出的声学模型，确定样本文本的标签信息，最终基于样本文本和样本文本对应的标签信息，对文本分类模型进行训练，实现了自动确定样本文本对应的标签信息的技术效果，提高了标签标注的准确性以及效率，相应提高了文本训练模型的训练速度。
图2A是根据本申请实施例公开的一种模型训练方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2A所示，该方法可以包括：
S201、获取训练数据集中的训练数据，所述训练数据包括样本文本的文本特征和所述样本文本对应的语音数据。
其中，样本文本的文本特征是通过对样本文本进行文本分析得到的，文本特征包括但不限于声韵母序列、子序列以及音节序列等。
S202、采用无监督的训练方法，基于所述训练数据对预先构建的声学模型进行训练，以建立文本特征与声学特征之间的映射关系，并获得按照风格和/或角色对所述训练数据进行聚类的聚类结果。
其中，声学特征包括但不限于梅尔频率倒谱系数、声学能量、声学基频和声学频谱等。
在一种实施方式中，采用包括如下任一种无监督训练方法进行声学模型训练：VAE(Variational AutoEncoder，变分自动编码器)、VQ-VAE(Vector Quantised-VariationalAutoEncoder，量子化自动编码器)、互信息方法以及GAN(Generative AdversarialNetworks，生成式对抗网络)。声学模型可以用于识别文本特征对应的声学特征，将文本特征输入到训练好的声学模型中，声学模型根据建立的文本特征与声学特征之间的映射关系，输出该文本特征对应的声学特征。在采用无监督的训练方法进行声学模型训练的过程中，根据预设的风格和/或角色对语音数据进行聚类，以确定各条语音数据对应的风格信息和/或角色信息，得到聚类结果。
S203、获取训练数据集中的样本文本。
S204、将所述样本文本对应的语音数据输入训练出的所述声学模型，获得所述声学模型输出的所述样本文本对应的标签信息。
在一种实施方式中，由于训练出的声学模型中，已经得到了各样本文本对应语音数据的聚类结果，因此只要将任一的语音数据输入到训练出的声学模型中，声学模型即可输出该语音数据对应的聚类结果，即语音数据对应的风格信息和/或角色信息，进而将输出的风格信息和/或角色信息，作为该语音数据对应的样本文本的标签信息。
S205、基于所述样本文本以及所述样本文本对应的标签信息，对文本分类模型进行训练；其中，所述文本分类模型用于根据输入的文本输出对应的标签信息。
在一种实施方式中，基于训练数据集中的样本文本，以及通过将该样本文本对应语音数据输入到声学模型中，获取的该样本文本对应的标签信息，对文本分类模型进行训练，得到训练完成的文本分类模型。
本实施例还提供了一种模型训练的示意图，如图2B是根据本申请实施例公开的一种模型训练的示意图，根据样本文本20对应的样本特征21，和样本文本20对应的语音数据22，进行无监督的声学模型训练，并将无监督的声学模型训练过程中，按照风格和/或角色进行聚类得到的聚类结果，作为样本文本20对应的标签信息23，进而根据样本文本20和标签信息23进行文本分类模型的训练。
根据本实施例的技术方案，通过获取训练数据集中的训练数据，采用无监督的训练方法，基于训练数据对预先构建的声学模型进行训练，以建立文本特征与声学特征之间的映射关系，并获得按照风格和/或角色对训练数据进行聚类的聚类结果，实现了声学模型的建模，为后续根据文本特征自动确定声学特征奠定了从基础，并且由于按照风格和/或角色对训练数据进行聚类操作，实现了自动确定语音数据的风格信息和/或角色信息的效果；通过将样本文本对应的语音数据输入训练出的声学模型，获得声学模型输出的样本文本对应的标签信息，实现了自动确定样本文本对应的标签信息的技术效果，提高了标签标注的准确性以及效率，相应提高了文本训练模型的训练速度。
随着有声小说、广播剧以及各种播客的蓬勃发展，人们利用碎片时间以听的方式获取信息和娱乐内容变得越来越普遍。语音合成技术作为将文本转换为语音的工具，可以从技术上提供海量语音数据。
但是目前的语音合成技术效果与真人的语音播报还有一定的差距，合成的语音风格单一、角色单一且无感情起伏，很容易让用户感到疲惫，无法提升产品使用时长，用户体验较差。
图3A是根据本申请实施例公开的一种语音合成方法的流程图，本实施例可以适用于根据待合成文本，获取其对应语音数据的情况。本实施例方法可以由语音合成装置来执行，该装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上，例如服务器等。
如图3A所示，本实施例公开的模型训练方法可以包括：
S301、将待合成文本输入到预先训练出的文本分类模型，获得所述分类模型输出的所述待合成文本对应的标签信息；其中，所述标签信息包括风格信息和/或角色信息；所述文本分类模型是使用本实施例所述的模型训练方法训练出的模型。
在一种实施方式中，由于文本分类模型是根据样本文本以及样本文本对应的标签信息训练得到的，因此将待合成文本输入到训练出的文本分类模型中，文本分类模型就可以输出该待合成文本对应的标签信息。
可选的，待合成文本包括待合成的文学载体文本，例如小说文本、诗歌文本、散文文本和歌剧文本等。
通过将待合成的文学载体文本作为待合成文本，使得最终能够获得具有不同风格、多角色等更加丰富多彩的文学载体语音播报内容，满足用户对于娱乐性内容的需求。
S302、将所述待合成文本的文本特征以及所述待合成文本对应的标签信息，输入到预先采用无监督的训练方法训练出的声学模型，获得所述声学模型输出的所述文本特征和所述标签信息对应的声学特征。
在一种实施方式中，对待合成文本进行文本分析得到待合成文本的文本特征，并将待合成文本的文本特征，以及S301中获取的待合成文本的标签信息，共同输入到训练出的声学模型中，声学模型根据构建的文本特征和与声学特征之间的映射关系，以及按照风格和/或角色对训练数据进行聚类的聚类结果，输出文本特征和标签信息对应的声学特征，即通过标签信息控制声学模型，使得预测的声学特征不但对应待合成文本内容，而且加入了标签信息对应的风格信息和/或角色信息。
S303、基于所述声学特征对所述待合成文本进行语音合成，获得所述待合成文本对应的语音数据。
在一种实施方式中，将声学模型输出的声学特征输入到预设的声码器中，声码器基于声学特征利用语音合成技术进行语音合成，输出待合成文本对应的语音数据。
本实施例还提供了一种语音合成的示意图，如图3B是根据本申请实施例公开的一种语音合成的示意图，将待合成文本30进行文本分析操作31，得到文本特征32，并将待合成文本30输入到训练出的文本分类模型33中，得到待合成文本30对应的标签信息34，进而将得到的文本特征32以及标签信息34一同输入到训练出的声学模型35中，得到文本特征32以及标签信息34对应的声学特征36，最终将声学特征36输入到预设的声码器37中进行语音合成，得到待合成文本30对应的语音数据38。
根据本实施例的技术方案，通过将待合成文本输入到预先训练出的文本分类模型，获得分类模型输出的待合成文本对应的标签信息，并将待合成文本的文本特征以及待合成文本对应的标签信息，输入到预先采用无监督的训练方法训练出的声学模型，获得声学模型输出的文本特征和标签信息对应的声学特征，最终基于声学特征对待合成文本进行语音合成，获得待合成文本对应的语音数据，实现了生成多风格、多角色且感情丰富多彩的语音数据，更加贴近真人朗读风格，大幅提升用户收听语音数据的时间和体验。
图4是根据本申请实施例公开的一种模型训练装置的结构示意图，本实施例可以适用于无监督的对文本分类模型进行训练的情况。本实施例装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上，例如服务器等。
如图4所示，本实施例公开的模型训练装置40可以包括样本文本获取模块41、标签信息确定模块42和文本分类模型训练模块43，其中：
样本文本获取模块41，用于获取训练数据集中的样本文本；
标签信息确定模块42，用于基于预先采用无监督的训练方法训练出的声学模型，确定所述样本文本对应的标签信息；其中，所述标签信息包括风格信息和/或角色信息；
文本分类模型训练模块43，用于基于所述样本文本以及所述样本文本对应的标签信息，对文本分类模型进行训练；其中，所述文本分类模型用于根据输入的文本输出对应的标签信息。
可选的，所述声学模型的训练方法包括：
获取所述训练数据集中的训练数据，所述训练数据包括样本文本的文本特征和所述样本文本对应的语音数据；
采用无监督的训练方法，基于所述训练数据对预先构建的声学模型进行训练，以建立文本特征与声学特征之间的映射关系，并获得按照风格和/或角色对所述训练数据进行聚类的聚类结果。
可选的，所述聚类结果包括各语音数据分别对应的标签信息；所述标签信息确定模块42，具体用于：
将所述样本文本对应的语音数据输入训练出的所述声学模型，获得所述声学模型输出的所述样本文本对应的标签信息。
可选的，所述样本文本的生成方法包括：
获取预设数量的真人语音数据，对各所述真人语音数据执行去除背景音乐和/或噪声的操作；
对各所述真人语音数据进行切分，并获取切分后每条语音数据分别对应的文本，作为样本文本。
可选的，所述真人语音数据包括：文学载体的真人语音播报数据。
本申请实施例所公开的模型训练装置40可执行本申请实施例所公开的任意模型训练方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意模型训练方法实施例中的描述。
图5是根据本申请实施例公开的一种语音合成装置的结构示意图，本实施例可以适用于根据待合成文本，获取其对应语音数据的情况。本实施例装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上，例如服务器等。
如图5所示，本实施例公开的语音合成装置50可以包括标签信息获取模块51、声学特征获取模块52和语音合成模块53，其中：
标签信息获取模块51，用于将待合成文本输入到预先训练出的文本分类模型，获得所述分类模型输出的所述待合成文本对应的标签信息；其中，所述标签信息包括风格信息和/或角色信息；所述文本分类模型是使用本申请公开的一种模型训练方法训练出的模型；
声学特征获取模块52，用于将所述待合成文本的文本特征以及所述待合成文本对应的标签信息，输入到预先采用无监督的训练方法训练出的声学模型，获得所述声学模型输出的所述文本特征和所述标签信息对应的声学特征；
语音合成模块53，用于基于所述声学特征对所述待合成文本进行语音合成，获得所述待合成文本对应的语音数据。
可选的，所述待合成文本包括：待合成的文学载体文本。
本申请实施例所公开的语音合成装置50可执行本申请实施例所公开的语音合成方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意语音合成方法实施例中的描述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的模型训练方法和/或语音合成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的模型训练方法和/或语音合成方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的模型训练方法和/或语音合成方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的模型训练方法和/或语音合成方法对应的程序指令/模块(例如，附图4所示的样本文本获取模块41、标签信息确定模块42和文本分类模型训练模块43，和/或，附图5所示的标签信息获取模块51、声学特征获取模块52和/或语音合成模块53)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的模型训练方法和/或语音合成方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据模型训练方法和/或语音合成方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至模型训练方法和/或语音合成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
模型训练方法和/或语音合成方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与模型训练方法和/或语音合成方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过获取训练数据集中的样本文本，并基于预先采用无监督训练方法训练出的声学模型，确定样本文本的标签信息，最终基于样本文本和样本文本对应的标签信息，对文本分类模型进行训练，实现了自动确定样本文本对应的标签信息的技术效果，提高了标签标注的准确性以及效率，相应提高了文本训练模型的训练速度；
通过将待合成文本输入到预先训练出的文本分类模型，获得分类模型输出的待合成文本对应的标签信息，并将待合成文本的文本特征以及待合成文本对应的标签信息，输入到预先采用无监督的训练方法训练出的声学模型，获得声学模型输出的文本特征和标签信息对应的声学特征，最终基于声学特征对待合成文本进行语音合成，获得待合成文本对应的语音数据，实现了生成多风格、多角色且感情丰富多彩的语音数据，更加贴近真人朗读风格，大幅提升用户收听语音数据的时间和体验。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。