CN111899719A - 用于生成音频的方法、装置、设备和介质 - Google Patents

Images

Classifications

• • G—PHYSICS
  • G10—MUSICAL INSTRUMENTS; ACOUSTICS
  • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
  • G10L13/00—Speech synthesis; Text to speech systems
  • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
• • G—PHYSICS
  • G10—MUSICAL INSTRUMENTS; ACOUSTICS
  • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
  • G10L13/00—Speech synthesis; Text to speech systems
  • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
  • G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
• • G—PHYSICS
  • G10—MUSICAL INSTRUMENTS; ACOUSTICS
  • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
  • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
  • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
  • G10L25/12—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being prediction coefficients
• • G—PHYSICS
  • G10—MUSICAL INSTRUMENTS; ACOUSTICS
  • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
  • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
  • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
  • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
• • G—PHYSICS
  • G10—MUSICAL INSTRUMENTS; ACOUSTICS
  • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
  • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
  • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique

Abstract

本公开的实施例公开了用于生成音频的方法、装置、设备和介质。该用于生成音频的方法的一具体实施方式包括：获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；将目标普通话文本信息转换为与其对应的目标方言文本信息；基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。该实施方式可以将普通话文本转换为与其对应的方言语音音频，并且方言语音音频具有目标用户发出的语音音频的音色，由此丰富了语音音频的生成方式。

Description

用于生成音频的方法、装置、设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成音频的方法、装置、设备和介质。

背景技术

文本到语音(Text To Speech，TTS)又称语音合成，是一种将文字信息转变为可以听得懂的、流利的汉语口语输出的技术。语音合成不仅能帮助有视觉障碍的人阅读计算机上的信息，更能增加文本文档的可读性。

现有的通用语音合成技术主要是只预先录制一个单音色语音库，然后基于该语音库制作一个语音合成系统，此方法的合成语音取决于语音库，即合成的声音像是录音人在说话。此过程仅仅将用户输入的文本转换成单一音色的语音，这种语音的音色、语气等属性也非常单一化。

发明内容

本公开提出了用于生成音频的方法、装置、设备和介质。

第一方面，本公开的实施例提供了一种用于生成音频的方法，该方法包括：获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；将目标普通话文本信息转换为与其对应的目标方言文本信息；基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。

在一些实施例中，基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，包括：提取目标方言文本信息的文本特征信息；将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；将编码后的文本特征信息和用户语音音频的音色信息输入预训练的解码器，得到梅尔频谱信息；将梅尔频谱信息输入声码器，得到目标语音音频。

在一些实施例中，预训练的编码器和预训练的解码器通过以下方式训练得到：获取标注有梅尔频谱信息的不同用户提供的音频样本；将音频样本输入待训练的编码器，得到编码后的音频样本；将编码后的音频样本分别输入文本特征信息分类器和音色信息分类器，得到分类后的文本特征信息和分类后的音色信息；将分类后的文本特征信息和分类后的音色信息输入待训练的解码器，得到预测的梅尔频谱信息；根据标注的梅尔频谱信息与预测的梅尔频谱信息的偏差，调整编码器和解码器的参数，直到偏差满足预设条件，则得到训练完成的编码器和解码器。

在一些实施例中，用户语音音频的音色信息基于目标用户提供的音频数据和预训练的音色编码器得到。

在一些实施例中，基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，包括：基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，目标语音风格信息用于指示目标语音音频的风格。

在一些实施例中，基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，包括：提取目标方言文本信息的文本特征信息；将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；将编码后的文本特征信息、用户语音音频的音色信息和目标语音风格信息输入预训练的解码器，得到梅尔频谱信息；将梅尔频谱信息输入声码器，得到目标语音音频。

在一些实施例中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；将人员的语音音频输入预训练的语音风格编码器，生成目标语音风格信息。

第二方面，本公开的实施例提供了一种用于生成音频的装置，该装置包括：获取单元，被配置成获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；转换单元，被配置成将所述目标普通话文本信息转换为与其对应的目标方言文本信息；生成单元，被配置成基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。

第三方面，本公开的实施例提供了一种用于生成音频的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于生成音频的方法中任一实施例的方法。

第四方面，本公开的实施例提供了一种用于生成音频的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于生成音频的方法中任一实施例的方法。

本公开的实施例提供的用于生成音频的方法、装置、设备和介质，通过获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；将目标普通话文本信息转换为与其对应的目标方言文本信息；基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息，由此，可以实现将普通话文本转换为与其对应的方言语音音频，并且方言语音音频具有目标用户发出的语音音频的音色，进而丰富了语音音频的生成方式。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成音频的方法的一个实施例的流程图；

图3是根据本公开的用于生成音频的方法的一个应用场景的示意图；

图4是根据本公开的用于生成音频的方法的又一个实施例的流程图；

图5是根据本公开的用于生成音频的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的用于生成音频的方法或用于生成音频的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送数据(例如目标普通话文本信息和目标用户发出的用户语音音频的音色信息)等。终端设备101、102、103上可以安装有各种客户端应用，例如音频播放软件、音乐处理应用、新闻资讯类应用、图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有信息处理功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供生成音频服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如基于终端设备101、102、103发送的目标用户提供的普通话文本信息和目标用户发出的用户语音音频，生成目标语音音频的后台音频处理服务器。可选的，后台音频处理服务器还可以将所生成的目标语音音频反馈给终端设备，以供终端设备播放。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供生成音频服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开的实施例所提供的用于生成音频的方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，用于生成音频的装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当用于生成音频的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于生成音频的方法运行于其上的电子设备(例如服务器或终端设备)。

继续参考图2，示出了根据本公开的用于生成音频的方法的一个实施例的流程200。该用于生成音频的方法，包括以下步骤：

步骤201，获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息。

在本实施例中，用于生成音频的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息。

其中，目标用户可以是任意用户。用户语音音频可以是目标用户发出的任意语音的音频。例如，用户语音音频可以是目标用户演唱的歌曲的音频，也可以是目标用户在对话过程中发出的语音的音频。

这里，用户语音音频的音色信息可以通过预先训练的音色信息生成模型得到。其中，音色信息生成模型可以基于标注有音色信息的语音音频样本训练得到。

具体地，执行主体可以将上述用户语音音频输入至预先训练的音色信息生成模型，生成用户语音音频的音色信息。

可选的，上述音色信息生成模型还可以是采用无监督的机器学习算法训练得到的模型。

在一些可选的方式中，用户语音音频的音色信息基于目标用户提供的音频数据和预训练的音色编码器得到。

在本实现方式中，音色编码器用于捕捉输入目标用户提供的语音音频数据的音色特征，音色特征独立于语音音频对应的文本特征和独特的说话者风格特征，预先训练的音色编码器的输出可以以嵌入向量的形式体现。

该实现方式通过目标用户提供的音频数据和预训练的音色编码器得到用户语音音频的音色信息，可更好的捕获语音音频的音色特征，进而提升获取的用户语音音频的音色信息的准确度。

步骤202，将普通话文本信息转换为与其对应的目标方言文本信息。

在本实施例中，执行主体将获取的目标普通话文本信息转换为与其对应的目标方言文本信息。

其中，目标方言文本信息可以是任意方言文本信息，例如，陕西方言、湖南方言、四川方言等等，本申请对此不作限定。

这里，执行主体将目标普通话文本信息转换为与其对应的目标方言文本信息的方式可以为利用预先训练的方言文本转换模型将目标普通话文本信息转换为与其对应的目标方言文本信息，其中，方言文本转换模型基于标注有对应的方言文本信息的普通话文本样本训练得到；也可以为利用预设的方言文本信息与普通话文本信息对照表，在对照表中查找与普通话文本信息对应的方言文本信息，本申请对此不作限定。

作为示例，若普通话文本信息为“打开那个抽屉”，则其对应的四川方言文本信息为“打开那个抽抽儿”。

步骤203，基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频。

在本实施例中，执行主体可以根据目标方言文本信息和用户语音音频的音色信息，生成目标语音音频。其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。

作为示例，上述执行主体可以将目标方言文本信息和用户语音音频的音色信息输入至预先训练的音频生成模型，生成目标语音音频。其中，上述音频生成模型可以基于标注有语音音频的具有目标方言文本信息和用户语音音频的音色信息的样本数据得到。

在一些可选的方式中，基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，包括：基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频。

在本实现方式中，执行主体可以基于上述步骤获取的目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频。其中，目标语音音频的语音风格为目标语音风格信息指示的语音风格。

这里，语音风格信息(包括目标语音风格信息)可以表征语音的风格，例如，语音风格信息可以表征以下至少一项：语速、节奏、语调、重音、咬字。

执行主体可以将语音音频输入至预先训练的语音风格信息生成模型，得到语音音频的语音风格信息。其中，语音风格信息生成模型可以基于标注有语音风格信息的语音音频样本训练得到。

该实现方式通过基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，使得生成的方言音频可以进一步具有某一方言音频发音人员的风格信息，进而提升生成的方言音频自然度和流畅度。

在一些可选的方式中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；将该人员的语音音频输入预训练的语音风格编码器，生成目标语音风格信息。

在本实现方式中，执行主体可以获取具有目标语音风格信息指示的语音风格的人员的语音音频，将该人员的语音音频输入预训练的语音风格编码器，得到目标语音风格信息。

其中，语音风格编码器用于捕捉输入语音音频的风格特征，风格特征独立于语音音频对应的文本特征和独特的说话者音色特征，预先训练的风格编码器的输出可以以嵌入向量的形式体现。

作为示例，目标语音音频为四川方言语音音频，则执行主体可以将一个四川人的语音音频的风格信息作为目标语音风格信息，进而获取四川人提供的四川方言语音音频，将该四川方言语音音频输入预训练的语音风格编码器，得到目标语音风格信息。

该实现方式通过获取具有目标语音风格信息指示的语音风格的人员的语音音频；将该人员的语音音频输入预训练的语音风格编码器，生成目标语音风格信息，可更好的捕获语音音频的风格特征，进而提升获取的目标语音风格信息的准确度。

继续参见图3，图3是根据本实施例的用于生成音频的方法的一个应用场景的示意图。在图3的应用场景中，服务器301首先获取获取目标普通话文本信息302(例如，打开那个抽屉)和目标用户发出的用户语音音频的音色信息303，然后，将获取的目标普通话文本信息转换为目标方言文本信息304(例如，打开那个抽抽儿)，最后，基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频305(例如，具有目标用户语音音频的音色的方言音频)，其中，目标语音音频305的音色与用户语音音频的音色信息303相匹配，目标方言文本信息304用于指示目标语音音频所对应的文本信息。

本公开的上述实施例提供的方法，通过获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；将目标普通话文本信息转换为与其对应的目标方言文本信息；基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息，将普通话文本转换为与其对应的方言语音音频，并且方言语音音频具有目标用户发出的语音音频的音色，由此丰富了语音音频的生成方式。

进一步参考图4，其示出了用于生成音频的方法的又一个实施例的流程400。该用于生成音频的方法的流程400，包括以下步骤：

步骤401，获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息。

在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。

步骤402，将目标普通话文本信息转换为与其对应的目标方言文本信息。

在本实施例中，步骤402与图2对应实施例中的步骤202基本一致，这里不再赘述。

步骤403，提取目标普通话文本信息的文本特征信息。

在本实施例中，执行主体可以通过对目标普通话文本信息进行文本分析，提取目标普通话文本信息的文本特征信息。

其中，文本特征信息可以包括：音素、音调、分词、韵律、短语等信息。

具体地，文本分析过程可以包括：通过G2P(Grapheme-to-Phoneme，字素到音素)，将目标普通话文本信息转换为与之对应的音素，通过分词预测模型，确定目标普通话文本信息对应的分词，通过韵律短语预测模型，确定目标普通话文本信息对应的韵律短语，其中，韵律短语预测模型可以基于标注有韵律短语的文本信息样本训练得到，分词预测模型可以基于标注有分词的文本信息样本训练得到。

这里，韵律短语预测模型和分词预测模型可以基于统计的机器学习算法实现，例如，HMM(Hidden Markov Model，隐马尔可夫模型)算法、SVM(Support Vector Machine，支持向量机)算法等，本申请对此不作限定。

作为示例，目标方言文本信息为“前两天大风刮的我家前面暴土扬长的”，则对应的文本特征信息可以为“qian2liang3tian1|da4feng1|gua1de|wo3jia1|qian2mian4|bao4tu3yang2chang2|de”。

步骤404，将文本特征信息输入预训练的编码器，得到编码后的文本特征信息。

在本实施例中，预训练的编码器用于编码文本特征信息，编码器可以基于现有技术或未来发展技术中的卷积神经网络实现，例如，CNN(Convolutional Neural Networks，卷积神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)、GRU(Gated RecurrentUnit，门控循环单元)、BGRU(Bidirectional Gated Recurrent Unit，双向门控循环单元)等，本申请对此不作限定。

优选地，编码器可以基于CNN+BGRU的混合神经网络实现，CNN+BGRU的混合神经网络可以通过卷积层可学习到更深的文本特征。

步骤405，将编码后的文本特征信息和用户语音音频的音色信息输入预训练的解码器，得到梅尔频谱信息。

在本实施例中，执行主体可以将编码后的文本特征信息和用户语音音频的音色信息输入预训练的解码器，得到梅尔频谱信息。

这里，预训练的解码器可以采用自回归解码器，也可以采用非自回归解码器，相对于采用其他形式的解码器，采用自回归解码器，可以更好地利用语音音频在不同时间尺度上的依赖特点，提高目标语音音频的生成质量。

此外，需要指出的是，编码器和解码器直接可以通过注意力机制模型连接。

步骤406，将梅尔频谱信息输入声码器，得到目标语音音频。

在本实施例中，执行主体将上述步骤得到的梅尔频谱信息输入声码器，得到目标语音音频。其中，声码器用于表征梅尔频谱信息与语音音频之间的对应关系。

在一些可选的方式中，预训练的编码器和预训练的解码器通过以下方式训练得到：获取标注有梅尔频谱信息的不同用户提供的音频样本；将音频样本输入待训练的编码器，得到编码后的音频样本；将编码后的音频样本分别输入文本特征信息分类器和音色信息分类器，得到分类后的文本特征信息和分类后的音色信息；将分类后的文本特征信息和分类后的音色信息输入待训练的解码器，得到预测的梅尔频谱信息；根据标注的梅尔频谱信息与预测的梅尔频谱信息的偏差，调整编码器和解码器的参数，直到所述偏差满足预设条件，则得到训练完成的编码器和解码器。

在本实现方式中，预训练的编码器和预训练的解码器通过以下方式训练得到：首先，获取标注有梅尔频谱信息的不同用户提供的音频样本。这里，不同用户提供的音频样本可以是不同方言音频样本。

作为示例，不同方言的音频样本可以包括目标用户提供的普通话音频以及5个方言发音人，每人提供的一种方言音频，如陕西、湖南、四川、东北、广东，每种音频两小时。

然后，将音频样本输入待训练的编码器，得到编码后的音频样本并将编码后的音频样本分别输入文本特征信息分类器和音色信息分类器，得到分类后的文本特征信息和分类后的音色信息。

这里，文本特征信息分类器用于通过监督学习的方式保证编码器仅编码文本特征信息。音色信息分类器用于通过监督学习的方式保证编码器仅编码音色特征信息。

进一步地，执行主体可以将分类后的文本特征信息和分类后的音色信息进行组合输入待训练的解码器，得到预测的梅尔频谱信息，并计算预测梅尔频谱信息和标注的梅尔频谱信息的偏差，根据偏差调整编码器和解码器的参数，直到偏差满足预设条件，则得到训练完成的编码器和解码器。

此外，需要指出的是编码后的音频样本还可以输入风格信息分类器。风格信息分类器用于通过监督学习的方式保证编码器仅编码风格特征信息。

进一步地，执行主体可以将分类后的文本特征信息、分类后的音色信息和分类后的风格信息进行组合输入待训练的解码器，得到预测的梅尔频谱信息，并计算预测梅尔频谱信息和标注的梅尔频谱信息的偏差，根据偏差调整编码器和解码器的参数，直到偏差满足预设条件，则得到训练完成的编码器和解码器。

该实现方式通过基于获取标注有梅尔频谱信息的不同用户提供的音频样本，对待训练的编码器和解码器进行训练，得到训练完成的编码器和解码器，使得训练完成的编码器和解码器可以学习到不同方言音频的文本特征信息的特征和音色信息的特征，有助于提升训练完成的解码器和编码器的泛化能力。

在一些可选的方式中，基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，包括：提取目标方言文本信息的文本特征信息；将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；将编码后的文本特征信息、用户语音音频的音色信息和目标语音风格信息输入预训练的解码器，得到梅尔频谱信息；将所述梅尔频谱信息输入声码器，得到目标语音音频。

在本实现方式中，执行主体可以通过对目标普通话文本信息进行文本分析，提取目标普通话文本信息的文本特征信息。

然后，将文本特征信息输入预训练的编码器，得到编码后的文本特征信息，并将编码后的文本特征信息、用户语音音频的音色信息和目标语音风格信息输入预训练的解码器，得到梅尔频谱信息。

这里，用户语音音频的音色信息可以基于预训练的音色编码器得到，目标语音风格信息可以基于预训练的风格编码器得到。

最后，执行主体将上述步骤得到的梅尔频谱信息输入声码器，得到目标语音音频。其中，声码器用于表征梅尔频谱信息与语音音频之间的对应关系。

该实现方式通过将编码后的文本特征信息、用语音音频的音色信息和目标风格信息预训练的解码器，得到梅尔频谱信息，并将梅尔频谱信息输入声码器，得到目标语音音频，使得目标语音音频充分结合了目标方言文本信息、用语音音频的音色信息和目标风格信息，并且采用声码器(vocoder)来生成目标语音音频，可以提高所生成的目标语音音频的准确性，使得所生成的目标语音音频更接近真实的语音音频由此可以使得合成效果更为自然。

从图4可以看出与图2对应的实施例相比，本实施例中的用于生成音频的方法的流程400突出了通过编码器对文本特征信息进行编码，通过解码器对编码后的文本特征信息和用户语音音频的音色信息进行解码以及使用声码器得到目标语音音频的步骤。由此，本实施例描述的方案可以使得目标语音音频充分结合了目标方言文本信息和用语音音频的音色信息，并且采用声码器(vocoder)来生成目标语音音频，可以提高所生成的目标语音音频的准确性，使得所生成的目标语音音频更接近真实的语音音频。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成音频的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征，以及产生与图2所示的方法实施例相同或相应的效果。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成音频的装置500包括：获取单元501，被配置成获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；转换单元502，被配置成将目标普通话文本信息转换为与其对应的目标方言文本信息；生成单元503，被配置成基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。

在本实施例中，用于生成音频的装置500的获取单元501可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取目标语音风格信息和目标用户发出的用户语音音频。

在本实施例中，基于获取单元501获取到的目标用户发出的用户语音音频的音色信息以及转换单元502获取到的目标方言文本信息，上述生成单元503可以生成目标语音音频。目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。

在本实施例的一些可选的实现方式中，生成单元503包括：第一生成子单元(图中未示出)，被配置成提取目标方言文本信息的文本特征信息；第二生成子单元(图中未示出)，被配置成将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；第三生成子单元(图中未示出)，被配置成将编码后的文本特征信息和用户语音音频的音色信息输入预训练的解码器，得到梅尔频谱信息；第四生成子单元(图中未示出)被配置成将梅尔频谱信息输入声码器，得到目标语音音频。

在本实施例的一些可选的实现方式中，预训练的编码器和预训练的解码器通过以下方式训练得到：获取标注有梅尔频谱信息的不同用户提供的音频样本；将音频样本输入待训练的编码器，得到编码后的音频样本；将编码后的音频样本分别输入文本特征信息分类器和音色信息分类器，得到分类后的文本特征信息和分类后的音色信息；将分类后的文本特征信息和分类后的音色信息输入待训练的解码器，得到预测的梅尔频谱信息；根据标注的梅尔频谱信息与预测的梅尔频谱信息的偏差，调整编码器和解码器的参数，直到所述偏差满足预设条件，则得到训练完成的编码器和解码器。

在本实施例的一些可选的实现方式中，用户语音音频的音色信息基于目标用户提供的音频数据和预训练的音色编码器得到。

在本实施例的一些可选的实现方式中，生成单元进一步被配置成基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，目标语音风格信息用于指示目标语音音频的风格。

在本实施例的一些可选的实现方式中，基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，包括：提取目标方言文本信息的文本特征信息；将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；将编码后的文本特征信息、用户语音音频的音色信息和目标语音风格信息输入预训练的解码器，得到梅尔频谱信息；将梅尔频谱信息输入声码器，得到目标语音音频。

在本实施例的一些可选的实现方式中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；将人员的语音音频输入预训练的语音风格编码器，生成目标语音风格信息。

本公开的上述实施例提供的装置，通过获取单元501获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息，转化换单元502将目标普通话文本信息转换为与其对应的目标方言文本信息然后，生成单元503基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的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6示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开所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，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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，所述程序设计语言包括面向目标的程序设计语言—诸如Python、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。

根据本公开的一个或多个实施例，本公开提供了一种用于生成音频的方法，该方法包括：获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；将目标普通话文本信息转换为与其对应的目标方言文本信息；基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，包括：提取目标方言文本信息的文本特征信息；将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；将编码后的文本特征信息和用户语音音频的音色信息输入预训练的解码器，得到梅尔频谱信息；将梅尔频谱信息输入声码器，得到目标语音音频。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，预训练的编码器和预训练的解码器通过以下方式训练得到：获取标注有梅尔频谱信息的不同用户提供的音频样本；将音频样本输入待训练的编码器，得到编码后的音频样本；将编码后的音频样本分别输入文本特征信息分类器和音色信息分类器，得到分类后的文本特征信息和分类后的音色信息；将分类后的文本特征信息和分类后的音色信息输入待训练的解码器，得到预测的梅尔频谱信息；根据标注的梅尔频谱信息与预测的梅尔频谱信息的偏差，调整编码器和解码器的参数，直到偏差满足预设条件，则得到训练完成的编码器和解码器。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，用户语音音频的音色信息基于目标用户提供的音频数据和预训练的音色编码器得到。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，包括：基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，目标语音风格信息用于指示目标语音音频的风格。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，基于所述目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，包括：提取目标方言文本信息的文本特征信息；将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；将编码后的文本特征信息、用户语音音频的音色信息和目标语音风格信息输入预训练的解码器，得到梅尔频谱信息；将梅尔频谱信息输入声码器，得到目标语音音频。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的方法中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；将人员的语音音频输入预训练的语音风格编码器，生成目标语音风格信息。

根据本公开的一个或多个实施例，本公开提供了一种用于生成音频的装置，该装置包括：获取单元，被配置成获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；转换单元，被配置成将目标普通话文本信息转换为与其对应的目标方言文本信息；生成单元，被配置成基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，所述目标方言文本信息用于指示目标语音音频所对应的文本信息。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，生成单元包括：第一生成子单元，被配置成提取目标方言文本信息的文本特征信息；第二生成子单元，被配置成将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；第三生成子单元，被配置成将编码后的文本特征信息和用户语音音频的音色信息输入预训练的解码器，得到梅尔频谱信息；第四生成子单元被配置成将梅尔频谱信息输入声码器，得到目标语音音频。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，预训练的编码器和预训练的解码器通过以下方式训练得到：获取标注有梅尔频谱信息的不同用户提供的音频样本；将音频样本输入待训练的编码器，得到编码后的音频样本；将编码后的音频样本分别输入文本特征信息分类器和音色信息分类器，得到分类后的文本特征信息和分类后的音色信息；将分类后的文本特征信息和分类后的音色信息输入待训练的解码器，得到预测的梅尔频谱信息；根据标注的梅尔频谱信息与预测的梅尔频谱信息的偏差，调整编码器和解码器的参数，直到所述偏差满足预设条件，则得到训练完成的编码器和解码器。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，用户语音音频的音色信息基于目标用户提供的音频数据和预训练的音色编码器得到。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，生成单元进一步被配置成基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，目标语音风格信息用于指示目标语音音频的风格。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，基于目标方言文本信息、用户语音音频的音色信息和目标语音风格信息，生成目标语音音频，包括：提取目标方言文本信息的文本特征信息；将文本特征信息输入预训练的编码器，得到编码后的文本特征信息；将编码后的文本特征信息、用户语音音频的音色信息和目标语音风格信息输入预训练的解码器，得到梅尔频谱信息；将梅尔频谱信息输入声码器，得到目标语音音频。

根据本公开的一个或多个实施例，本公开提供的用于生成音频的装置中，目标语音风格信息通过如下步骤获得：获取具有目标语音风格信息指示的语音风格的人员的语音音频；将人员的语音音频输入预训练的语音风格编码器，生成目标语音风格信息。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息的单元”。

作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的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：获取目标普通话文本信息和目标用户发出的用户语音音频的音色信息；将目标普通话文本信息转换为与其对应的目标方言文本信息；基于目标方言文本信息和用户语音音频的音色信息，生成目标语音音频，其中，目标语音音频的音色与用户语音音频的音色信息相匹配，目标方言文本信息用于指示目标语音音频所对应的文本信息。

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本公开构思的情况下，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。