基于文本的语音合成方法、装置、设备及存储介质与流程

1.本发明涉及安全检测技术及金融科技领域，尤其涉及一种基于文本的语音合成方法、装置、电子设备及存储介质。


背景技术：

2.在金融业务领域，为了增强用户对相关金融业务的了解，普及相关的金融业务知识，将相关的金融业务知识文本进行语音合成后对用户解说普及，方便对相关金融业务的了解，例如：将重疾险等保险业务办理要求文本进行语音合成，并将合成的语音向用户解说，方便用户了解重疾险的办理要求。。
3.但是现有的基于文本的语音合成方法，需要利用标注对齐的文本和语音训练普通的文本转语音模型进行语音合成，由于标注对齐的文本和语音不易获取，模型训练的门槛较高，导致语音合成的准确性较低。


技术实现要素：

4.本发明提供一种基于文本的语音合成方法、装置、电子设备及存储介质，其主要目的在于提高了重疾险等保险业务办理要求文本的语音合成的准确性。
5.获取金融业务知识训练数据集，其中，所述金融业务知识训练数据集中每个训练数据为训练语音或训练文本；
6.获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块；
7.任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；
8.根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；
9.利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；
10.当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；
11.当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；
12.当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音。
13.可选地，所述根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训
练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，包括：
14.当所述目标训练数据的数据类型为文本类型时，将所述文本转语音模块确定为所述反馈模块，将所述语音转文本模块确定为所述标记训练模块；
15.利用所述反馈模块将所述目标训练数据转换为语音形式，得到所述反馈数据；
16.利用所述标记训练模块将所述反馈数据转换为文本形式，得到所述转换数据；
17.当所述目标训练数据的数据类型为语音类型时，将所述语音转文本模块确定为所述反馈模块，将所述文本转语音模块确定为所述标记训练模块；
18.利用所述反馈模块将所述目标训练数据转换为文本形式，得到所述反馈数据；
19.利用所述标记训练模块将所述反馈数据转换为语音形式，得到所述转换数据。
20.可选地，所述利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值，包括：
21.将所述目标训练数据转换为目标训练向量；
22.将所述转换数据转换为转换数据向量；
23.利用所述损失函数计算所述目标训练向量与所述转换数据向量的差异，得到所述目标损失值。
24.可选地，所述将所述目标训练数据转换为目标训练向量，包括：
25.当所述目标训练数据的数据类型为文本类型时，
26.对所述目标训练数据进行分词，得到一个或多个分词词语；
27.将每个所述分词词语映射为一个数值向量，得到对应分词词语向量；
28.将所有所述分词词语向量进行组合，并将组合后的向量进行维度压缩，得到所述目标训练向量；
29.当所述目标训练数据的数据类型为语音类型时，
30.将所述目标训练数据进行语音分帧，得到多个语音帧；
31.对每个所述语音帧进行离散傅里叶变换，以将每个所述语音帧的时域信号转换为频域信号，得到每个所述语音帧的频域特征信息；
32.基于每个所述语音帧的频域特征信息进行向量特征转换，得到每个所述语音帧的语音帧向量；
33.对所有所述语音帧向量进行特征提取，得到所述目标训练向量。
34.可选地，所述将所有所述分词词语向量进行组合，并将组合后的向量进行维度压缩，得到所述目标训练向量，包括：
35.将每个所述分词词语向量按照对应的分词词语所述目标训练数据中的先后顺序进行组合，得到文本向量序列；
36.将所述文本向量序列中每一行替换为该行所有元素的平均值，得到所述目标训练向量。
37.可选地，所述基于每个所述语音帧的频域特征信息进行向量特征转换，得到每个所述语音帧的语音帧向量，包括：
38.提取所述语音帧的频域特征信息中的幅度谱；
39.对所述幅度谱进行取模或取对数，得到所述语音帧的语音帧向量。
40.可选地，所述更新所述初始语音合成模型的模型参数，包括：
41.沿着所述目标损失函数的负梯度方向更新所述初始语音合成模型的模型参数。
42.为了解决上述问题，本发明还提供一种基于文本的语音合成装置，所述装置包括：
43.数据获取模块，用于获取金融业务知识训练数据集，其中，所述金融业务知识训练数据集中每个训练数据为训练语音或训练文本；
44.模型训练模块，用于获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块；任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；
45.语音合成模块，用于当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音。
46.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
47.存储器，存储至少一个计算机程序；及
48.处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于文本的语音合成方法。
49.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于文本的语音合成方法。
50.本发明实施例任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；
51.根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音，训练初始语音合成模型时，利用所述语音转文本模块及所述文本转语音模块相互监督训练，不需要使用标记对齐的文本或语音，只利用未标记的文本和语音就可以训练模型，降低了
模型训练的难度，提高了语音合成的便利性，因此本发明实施例提出的基于文本的语音合成方法、装置、电子设备及可读存储介质提高了重疾险等保险业务办理要求文本的的语音合成的准确性。
附图说明
52.图1为本发明一实施例提供的基于文本的语音合成方法的流程示意图；
53.图2为本发明一实施例提供的基于文本的语音合成装置的模块示意图；
54.图3为本发明一实施例提供的实现基于文本的语音合成方法的电子设备的内部结构示意图；
55.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
56.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
57.本发明实施例提供一种基于文本的语音合成方法。所述基于文本的语音合成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于文本的语音合成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
58.参照图1所示的本发明一实施例提供的基于文本的语音合成方法的流程示意图，在本发明实施例中，所述基于文本的语音合成方法包括以下步骤：
59.s1、获取金融业务知识训练数据集，其中，所述金融业务知识训练数据集中每个训练数据为训练语音或训练文本；
60.本发明实施例中所述训练数据为训练得到可以将文本合成为语音模型的金融业务知识数据。本发明实施例中所述训练数据为训练语音或训练文本，其中，所有所述训练语音均为同一语种的金融业务知识的语音，所有所述训练文本均为同一语种的金融业务知识的文本，如各种保险业务的保险业务办理要求文本。
61.s2、获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块；
62.由于单一的语音合成模型训练时需要大量对齐的语音和文本，即需要语音标注的保险业务办理要求文本，当标注数据较少时，模型的训练效果较差，本发明实施例中为了避免这样的问题，获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块，所述语音转文本模块可以将语音转化为文本，所述文本转语音模块可以将文本转化为语音，通过利用语音转文本模块将所述语音转化为转化文本，再利用转化文本充当所述语音的伪标签，即可以利用文本转语音模块将所述转换文本转化为语音，并衡量转化的语音与所述语音的差异程度对模型进行训练；或利用文本转语音模块将所述文本转化为转化语音，再利用转化语音充当所述文本的伪标签，即可以利用语音转文本模
块将所述转换语音转化为文本，并衡量转化的文本与所述文本的差异程度对模型进行训练；不仅实现没有语音标签的文本对语音合成模型进行训练，还可以利用没有文本标签的语音对对语音合成模型，提高了模型训练的便利性和准确性。
63.s3、任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；
64.本发明实施例中任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据。
65.s4、根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；
66.详细地，本发明实施例中为了根据所述语音转文本模块及所述文本转语音模块对目标训练数据的反馈对训练目标训练数据进行标记训练，根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型，当所述目标训练数据为训练文本时，所述目标训练数据的数据类型为文本类型；当所述目标训练数据为训练语音时，所述目标训练数据的数据类型为语音类型。
67.详细地，本发明实施例中所述根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，包括：
68.当所述目标训练数据的数据类型为文本类型时，将所述文本转语音模块确定为所述反馈模块，将所述语音转文本模块确定为所述标记训练模块；
69.利用所述反馈模块将所述目标训练数据转换为语音形式，得到所述反馈数据；
70.利用所述标记训练模块将所述反馈数据转换为文本形式，得到所述转换数据；
71.当所述目标训练数据的数据类型为语音类型时，将所述语音转文本模块确定为所述反馈模块，将所述文本转语音模块确定为所述标记训练模块；
72.利用所述反馈模块将所述目标训练数据转换为文本形式，得到所述反馈数据；
73.利用所述标记训练模块将所述反馈数据转换为语音形式，得到所述转换数据。
74.可选地，本发明实施例中所述语音转文本模块是一个改编而来的级联构象模型，它由流编码器、延迟编码器和hat解码器组成，其中，所述流编码器是一个小型的卷积神经网络，它将语音帧转换为512维的表示；所述延迟编码器是一个大型的构象神经网络，它将流编码器的输出转换为640维的表示；所述hat解码器是一个基于注意力机制的神经网络，它将延迟编码器的输出转换为文本序列。
75.所述文本转语音模块是一个改编自tacotron 2的模型，它由文本编码器和音频解
码器组成，其中，所述文本编码器是一个双向lstm神经网络，它将文本序列转换为512维的表示；所述音频解码器是一个自回归lstm神经网络，它将文本编码器的输出转换为音频样本；所述音频解码器还包含一个预网络和一个后网络，分别用于增强和处理音频样本。
76.s5、利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；
77.本发明实施例中为了衡量模型的训练进度，利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值。
78.详细地，本发明实施例中利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值，包括：
79.将所述目标训练数据转换为目标训练向量；
80.将所述转换数据转换为转换数据向量；
81.利用所述损失函数计算所述目标训练向量与所述转换数据向量的差异，得到所述目标损失值。
82.可选地，本发明实施例中所述损失函数包括但不限于：平方损失函数、绝对值损失函数、交叉熵损失函数等。
83.进一步地，本发明实施例中所述将所述目标训练数据转换为目标训练向量，包括：
84.当所述目标训练数据的数据类型为文本类型时，
85.对所述目标训练数据进行分词，得到一个或多个分词词语；
86.将每个所述分词词语映射为一个数值向量，得到对应分词词语向量；
87.将所有所述分词词语向量进行组合，并将组合后的向量进行维度压缩，得到所述目标训练向量；
88.当所述目标训练数据的数据类型为语音类型时，
89.将所述目标训练数据进行语音分帧，得到多个语音帧；
90.对每个所述语音帧进行离散傅里叶变换，以将每个所述语音帧的时域信号转换为频域信号，得到每个所述语音帧的频域特征信息；
91.基于每个所述语音帧的频域特征信息进行向量特征转换，得到每个所述语音帧的语音帧向量；
92.对所有所述语音帧向量进行特征提取，得到所述目标训练向量。
93.进一步地，本发明实施例中所述将所有所述分词词语向量进行组合，并将组合后的向量进行维度压缩，得到所述目标训练向量，包括：
94.将每个所述分词词语向量按照对应的分词词语所述目标训练数据中的先后顺序进行组合，得到文本向量序列；
95.将所述文本向量序列中每一行替换为该行所有元素的平均值，得到所述目标训练向量。
96.详细地，本发明实施例中所述对所有所述语音帧向量进行特征提取，得到所述目标训练向量，包括：
97.将每个所述语音帧向量按照对应的语音帧所述目标训练数据中的前后顺序进行组合，得到语音向量序列；
98.将所述语音向量序列中每一行替换为该行所有元素的平均值，得到所述目标训练
向量。
99.具体地，本发明实施例中将所述目标训练数据进行语音分帧的过程包含去噪、分帧、加窗等操作语音分帧的预处理操作，在此不在赘述。
100.进一步地，本发明实施例中所述频域特征信息包含幅度谱和相位谱，基于每个所述语音帧的频域特征信息进行向量特征转换，得到每个所述语音帧的语音帧向量。
101.本发明实施例中对向量特征转换的具体方法不做具体限制。
102.可选地，本发明实施例中基于每个所述语音帧的频域特征信息进行向量特征转换，得到每个所述语音帧的语音帧向量，包括：
103.提取所述语音帧的频域特征信息中的幅度谱；
104.对所述幅度谱进行取模或取对数，得到所述语音帧的语音帧向量。
105.本发明另一实施例中可以提取所述语音帧的频域特征信息中的的幅度谱和相位谱，将所述幅度谱和相位谱按顺序拼接，得到所述语音帧向量。
106.进一步地，本发明实施例中将所述转换数据转换为转换数据向量的方法与将所述目标训练数据转换为目标训练向量的方法类似，在此不在赘述。
107.s5、判断所述目标损失值是否小于预设的损失阈值；
108.s6、当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；
109.本发明实施例中所述目标损失值小于所述损失阈值，表示所述初始语音合成模型的模型精度还没有达到预设的精度要求，因此，调整所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤。
110.可选地，本发明实施例中沿着所述目标损失函数的负梯度方向更新所述初始语音合成模型的模型参数。
111.进一步地，本发明实施例中可利用预构建的模型更新算法调整所述初始语音合成模型的模型参数，本发明实施例中所述模型更新算法可以为梯度下降法、动量法等，本发明实施例对此不做限制。
112.s7、当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；
113.本发明实施例中当所述目标损失值不小于预设损失值时，表示所述初始语音合成模型的模型精度达到预设的精度要求，输出此时初始语音合成模型，得到所述目标语音合成模型。
114.s8、当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音。
115.本发明实施例中当接收到待解说普及的金融业务知识文本时，需要对所述带普及金融业务知识文本转换为语音后向用户进行解说普及，将所述待解说普及的金融业务知识文本输入所述目标语音合成模型中的文本转语音模块，得到所述合成语音。所述待解说普及的金融业务知识文本为需要转化为语音的重疾险等保险业务办理要求文本，通过将所述重疾险业务办理要求文本合成语音，得到合成语音，以通过所述合成语音向用户普及介绍重疾险等保险业务办理要求。
116.进一步地，本发明实施例中在利用所述目标语音合成模型中的文本转语音模块进
行语音合成，得到合成语音后，将所述合成语音发送至预设的终端设备，所述终端设备可以为手机、电脑、平板等智能终端。
117.如图2所示，是本发明基于文本的语音合成装置的功能模块图。
118.本发明所述基于文本的语音合成装置100可以安装于电子设备中。根据实现的功能，所述基于文本的语音合成装置可以包括数据获取模块101、模型训练模块102、语音合成模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
119.在本实施例中，关于各模块/单元的功能如下：
120.所述数据获取模块101用于获取金融业务知识训练数据集，其中，所述金融业务知识训练数据集中每个训练数据为训练语音或训练文本；
121.所述模型训练模块102用于获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块；任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；
122.所述语音合成模块103用于当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音。
123.详细地，本发明实施例中所述基于文本的语音合成装置100中所述的各模块在使用时采用与上述图1中所述的基于文本的语音合成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
124.如图3所示，是本发明实现基于文本的语音合成方法的电子设备的结构示意图。
125.所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于文本的语音合成程序。
126.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于文本的语音合成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
127.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于文本的语音合成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
128.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
129.图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
130.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
131.可选地，所述通信接口13可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
132.可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
133.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
134.所述电子设备中的所述存储器11存储的基于文本的语音合成程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
135.获取金融业务知识训练数据集，其中，所述金融业务知识训练数据集中每个训练数据为训练语音或训练文本；
136.获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块；
137.任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；
138.根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行
数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；
139.利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；
140.当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；
141.当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；
142.当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音。
143.具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
144.进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
145.本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
146.获取金融业务知识训练数据集，其中，所述金融业务知识训练数据集中每个训练数据为训练语音或训练文本；
147.获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块；
148.任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；
149.根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；
150.利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；
151.当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；
152.当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；
153.当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音。
154.进一步地，所述计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
155.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
156.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
157.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
158.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
159.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
160.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
161.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
162.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
163.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于文本的语音合成方法，其特征在于，所述方法包括：获取金融业务知识训练数据集，其中，所述金融业务知识训练数据集中每个训练数据为训练语音或训练文本；获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块；任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音。2.如权利要求1所述的基于文本的语音合成方法，其特征在于，所述根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，包括：当所述目标训练数据的数据类型为文本类型时，将所述文本转语音模块确定为所述反馈模块，将所述语音转文本模块确定为所述标记训练模块；利用所述反馈模块将所述目标训练数据转换为语音形式，得到所述反馈数据；利用所述标记训练模块将所述反馈数据转换为文本形式，得到所述转换数据；当所述目标训练数据的数据类型为语音类型时，将所述语音转文本模块确定为所述反馈模块，将所述文本转语音模块确定为所述标记训练模块；利用所述反馈模块将所述目标训练数据转换为文本形式，得到所述反馈数据；利用所述标记训练模块将所述反馈数据转换为语音形式，得到所述转换数据。3.如权利要求1所述的基于文本的语音合成方法，其特征在于，所述利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值，包括：将所述目标训练数据转换为目标训练向量；将所述转换数据转换为转换数据向量；利用所述损失函数计算所述目标训练向量与所述转换数据向量的差异，得到所述目标损失值。4.如权利要求3中所述的基于文本的语音合成方法，其特征在于，所述将所述目标训练数据转换为目标训练向量，包括：
当所述目标训练数据的数据类型为文本类型时，对所述目标训练数据进行分词，得到一个或多个分词词语；将每个所述分词词语映射为一个数值向量，得到对应分词词语向量；将所有所述分词词语向量进行组合，并将组合后的向量进行维度压缩，得到所述目标训练向量；当所述目标训练数据的数据类型为语音类型时，将所述目标训练数据进行语音分帧，得到多个语音帧；对每个所述语音帧进行离散傅里叶变换，以将每个所述语音帧的时域信号转换为频域信号，得到每个所述语音帧的频域特征信息；基于每个所述语音帧的频域特征信息进行向量特征转换，得到每个所述语音帧的语音帧向量；对所有所述语音帧向量进行特征提取，得到所述目标训练向量。5.如权利要求4所述的基于文本的语音合成方法，其特征在于，所述将所有所述分词词语向量进行组合，并将组合后的向量进行维度压缩，得到所述目标训练向量，包括：将每个所述分词词语向量按照对应的分词词语所述目标训练数据中的先后顺序进行组合，得到文本向量序列；将所述文本向量序列中每一行替换为该行所有元素的平均值，得到所述目标训练向量。6.如权利要求4所述的基于文本的语音合成方法，其特征在于，所述基于每个所述语音帧的频域特征信息进行向量特征转换，得到每个所述语音帧的语音帧向量，包括：提取所述语音帧的频域特征信息中的幅度谱；对所述幅度谱进行取模或取对数，得到所述语音帧的语音帧向量。7.如权利要求1至6中任意一项所述的基于文本的语音合成方法，其特征在于，所述更新所述初始语音合成模型的模型参数，包括：沿着所述目标损失函数的负梯度方向更新所述初始语音合成模型的模型参数。8.一种基于文本的语音合成装置，其特征在于，包括：数据获取模块，用于获取金融业务知识训练数据集，其中，所述金融业务知识训练数据集中每个训练数据为训练语音或训练文本；模型训练模块，用于获取初始语音合成模型，其中，所述初始语音合成模型包括：语音转文本模块及文本转语音模块；任意选取所述金融业务知识训练数据集中的一个训练数据，得到目标训练数据；根据所述目标训练数据的数据类型将所述语音转文本模块及所述文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块对所述目标训练数据进行数据转换，得到反馈数据，利用所述标记训练模块对所述反馈数据进行数据转换，得到转换数据，其中，所述目标训练数据与所述转换数据的数据类型相同，所述目标训练数据与所述反馈数据的数据类型不同，所述数据类型为文本类型或语音类型；利用预构建的损失函数计算所述目标训练数据及所述转换数据的差异，得到目标损失值；当所述目标损失值不小于所述损失阈值，更新所述初始语音合成模型的模型参数，并返回所述任意选取所述金融业务知识训练数据集中的一个训练数据步骤；当所述目标损失值小于所述损失阈值，输出此时的初始语音合成模型，得到目标语音合成模型；
语音合成模块，用于当接收到待解说普及的金融业务知识文本时，利用所述目标语音合成模型中的文本转语音模块进行语音合成，得到合成语音。9.一种电子设备，其特征在于，所述电子设备包括：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计算机程序，所述计算机程序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权利要求1至7中任一项所述的基于文本的语音合成方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于文本的语音合成方法。

技术总结
本发明涉及人工智能技术，揭露一种基于文本的语音合成方法、装置、设备以及介质。所述方法包括：任意选取金融训练数据集中的一个训练数据；根据所述训练数据的数据类型将初始语音合成模型中的语音转文本模块及文本转语音模块，分别确定为反馈模块及标记训练模块，并利用所述反馈模块将所述训练数据转换为反馈数据，利用所述标记训练模块将所述反馈数据转换为转换数据，基于所述训练数据及所述转换数据对初始语音合成模型进行参数调整后返回训练数据选取步骤，直至训练完成后，利用模型对目标文本进行语音合成。本发明，可以提高对保险业务办理要求等文本执行语音合成的准确性，可用于金融业务知识转化为语音进行解说普及。用于金融业务知识转化为语音进行解说普及。用于金融业务知识转化为语音进行解说普及。


技术研发人员：张旭龙 王健宗 程宁 夏晶
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.16
技术公布日：2023/8/6