一种语音合成方法、装置、设备及存储介质与流程

1.本说明书涉及计算机技术领域，尤其涉及一种语音合成方法、装置、设备及存储介质。

背景技术：

2.随着语音合成(text to speech，tts)技术的发展，目前智能语音系统已经可以比较真实地将计算机内存储的文本自动转换为人声语音输出。语音合成技术广泛应用于人机语音交互系统、语音信息发布系统等领域。但通常情况下，经语音合成输出的人声语音的语调都较为平缓，即使是在用户要求重述的场景下，重述的语音仍然与上一次输出的合成语音的语速和音量相同。
3.为了在重述场景下突出需要强调的文本，现有技术中通常采用语音合成标记语言(speech synthesis markup language，ssml)人工标注需要强调的文本，并通过人工配置调节参数的方式控制该需要强调的文本对应的语音的语速、音量等特征，达到在重述场景下输出包含强调语调的人声语音。
4.然而，在某些语音合成技术的应用领域中，需要被转换为语音的文本量较大、文本逻辑复杂，全部采用ssml人工标注的方式对需要被强调的文本进行标注十分耗费人力，无法满足大规模语音合成的需要。

技术实现要素：

5.本说明书提供一种语音合成方法及装置，以部分的解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：
7.本说明书提供了一种语音合成方法，包括：
8.获取待处理文本；
9.响应于用户获取所述待处理文本的语音的请求，根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象；
10.根据所述各目标对象确定所述各目标对象的音效参数；
11.根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音。
12.可选地，根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象，具体包括：
13.获取多个预设的目标对象识别模板；
14.根据所述待处理文本的特征信息，在所述多个预设的目标对象识别模板中查是否存在与所述待处理文本匹配的预设的目标对象识别模板；
15.若是，根据与所述待处理文本匹配的预设目标对象识别模板确定所述待处理文本中包含的各目标对象。
16.可选地，根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象，具体包括：
17.对所述待处理文本进行分词，得到所述待处理文本中包含的各词语；
18.获取所述待处理文本包含的各词语对应的特征向量；
19.将所述待处理文本包含的各词语对应的特征向量输入到预先训练的命名体识别模型，得到所述预先训练的命名体识别模型输出的各命名体作为所述待处理文本包含的各目标对象。
20.可选地，根据所述各目标对象确定各目标对象的音效参数，具体包括：
21.获取所述用户的特征信息；
22.根据所述用户的特征信息，确定所述待处理文本的第一音量参数；
23.根据所述各目标对象的特征信息，确定各目标对象的第二音量参数以及语速参数；
24.根据所述各目标对象的第二音量参数和语速参数以及所述待处理文本的第一音量参数，确定所述各目标对象的音效参数。
25.可选地，根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音，具体包括：
26.获取所述待处理文本对应的原始音素序列；
27.根据所述待处理文本对应的原始音素序列，以及所述待处理文本包含的各目标对象的音效参数，确定待处理文本对应的目标音素序列；
28.将所述待处理文本对应的目标音素序列输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本的语音。
29.可选地，根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音，具体包括：
30.将所述待处理文本对应的目标音素序列输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本中各目标对象的语音对应的第一预测时长和第一预测音量以及所述待处理文本的语音对应的第二预测时长和第二预测音量；
31.根据所述目标对象的语音对应的第一预测时长和第一预测音量以及所述待处理文本的语音对应的第二预测时长和第二预测音量确定所述待处理文本对应的语音。
32.可选地，将所述待处理文本的特征信息以及所述各目标对象的音效参数输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本的语音之后，所述方法还包括：
33.获取所述待处理文本的语音对应的指定频段；
34.根据获取到的所述指定频段，确定所述待处理文本的语音对应的指定频段的增益系数；
35.根据所述增益系数，对所述待处理文本的语音的指定频段进行调整，得到所述待处理文本的目标语音。
36.本说明书提供了一种语音合成装置，包括：
37.待处理文本获取模块，用于获取待处理文本；
38.目标对象确定模块，用于响应于用户获取所述待处理文本的语音的请求，根据所
述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象；
39.音效参数确定模块，用于根据所述各目标对象确定所述各目标对象的音效参数；
40.语音确定模块，用于根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音。
41.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述语音合成方法。
42.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述语音合成方法。
43.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
44.本方法通过根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象，并确定各目标对象的音效参数，进而基于各目标对象的音效参数以及预先训练的语音合成模型，确定包含各目标对象的待处理文本对应的语音。可见，通过自动识别待处理文本中包含的各目标对象并自动确定各目标对象的音效参数的方式，即使是在大规模语音合成的场景中，也可以实现自动控制目标对象对应的语音的语速、音量等特征，达到强调目标对象的目的。
附图说明
45.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
46.图1为本说明书中一种语音合成方法的流程示意图；
47.图2为本说明书中一种语音合成方法的流程示意图；
48.图3为本说明书提供的一种语音合成装置的示意图；
49.图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
50.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
51.另外，需要说明的是，本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
52.随着电子信息处理技术的不断发展，语音作为人们获取信息的重要载体，已经被广泛应用于日常生活和工作。语音交互是人机交互的一种重要形式，它可以最大程度地解放使用者的双手和眼睛，语音合成作为整个系统的输出，对其拟人性的要求不能仅是合成的音频像真人音，还应该在表达上贴合真人交流的语境。例如，在人机交互中可能会出现用户在首次收听智能语音系统输出的语音时没有听清的情况，此时，用户只需回复“没有听清”，即可触发智能语音系统重复输出语音，在本说明书实施例中将这种语音交互场景称之
为重述场景。在重述场景下，智能语音系统重复输出的语音同首次输出的语音在语速、音量上没有差别，这就有可能导致用户仍然没有听清语音，从而降低用户的交互体验。
53.目前，针对重述场景下输出强调重要内容的语音的需求，采用了ssml进行人工标注的方法，这种方法通过人工识别重要内容，并采用ssml格式输入重要内容对应的音频的语速和音量等语音特征。例如，在地图服务场景中，可以为用户提供语音提示功能，如输出提示语音“从北京到天津的路程”，利用ssml人工标注的方式，只能对“北京”以及“天津”这两个需要被强调的重要内容进行标注以实现强调的功能，但当需要输出其他类似的提示语音时，仍然需要重复标注，如“从西安到南京的路程”，即使该句提示语音的文本与上述提示语音的文本结构类似，也仍然需要通过人工标注“西安”和“南京”的方式才能输出具有音效变化的语音。
54.可见，在上述过程中，重要内容的识别和重要内容语速和音量特征的标注均基于人工，不仅耗费人力，也难以满足大规模语音合成的需求。
55.基于上述问题，在本说明书实施例中，通过自动识别待处理文本中各目标对象，并自动确定目标对象的音效参数的方法，在无需人工参与的前提下，自动为用户输出强调目标对象的语音，实现类似于真人强调的效果。
56.以下结合附图，详细说明本说明书各实施例提供的技术方案。
57.图1为本说明书中一种语音合成方法的流程示意图，具体包括以下步骤：
58.s100：获取待处理文本。
59.在本说明书实施例中，待处理文本指的是需要合成为语音的文本。语音合成的方法的执行主体可以是配置有语音合成功能的智能语音系统或者智能语音终端设备，也可以是配置有语音合成功能的服务器。本说明书仅以执行主体为配置有语音合成功能的智能语音系统为例，对本说明书实施例进行具体说明。本说明书实施例中，用户指的是智能语音系统提供智能语音服务的对象，工作人员指的是对智能语音系统进行维护的工作人员。
60.在实际应用中，根据具体的语音交互场景，智能语音系统可以获取不同的待处理文本。例如，在用户与智能语音系统进行问答交互的过程中，针对用户的提问，智能语音系统将提问对应的答案作为待处理文本。在智能语音发布系统中，将需要发布给用户的文本作为待处理文本。待处理文本可以是原始文本，也可以是经文本分析后的文本，其中，文本分析包括文本正则、分词、注音等文本处理。
61.s102：响应于用户获取所述待处理文本的语音的请求，根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象。
62.具体的，首先获取待处理文本的特征信息，其中，待处理文本的特征信息可以包括经文本分析后的待处理文本的正则表达式、待处理文本的语义特征、待处理文本中包含的各词语的特征向量、待处理文本中包含的各字之间的关系特征等。
63.在实际应用中，根据具体的应用场景，可以根据预设的目标对象确定规则得到待处理文本中包含的各目标对象，如由工作人员预设的目标对象识别模板、将待处理文本中的命名体作为目标对象等规则，也可以由用户自定义目标对象的类别和粒度，如预先为用户展示多个待选的目标对象类别，由用户根据自身需求选择目标对象类别，若用户未选择目标对象的类别，则可以通过预设的目标对象确定规则确定目标对象。其中，目标对象的粒度指的是目标对象的字数与待处理文本的总字数的比例，也可以指的是针对目标对象类别
划分的细化程度，例如，目标对象粒度较大时，目标对象的类别可以是数字类和实体类，当目标对象粒度较小时，目标对象的类别可以是时间类和机构名类。
64.s104：根据所述各目标对象确定所述各目标对象的音效参数。
65.由于本说明书实施例中提供的语音合成方法是为了输出类似于真人强调重要内容的语音，如对需要强调的重要内容的语音放慢语速、提高音量等。因此，在此步骤中，需要确定各目标对象的音效参数，音效参数包括语速(时长)参数、音量参数等特征参数。基于确定出的目标对象的音效参数，对待处理文本对应的原始语音进行调整，调整后的待处理文本的语音可以呈现出对待处理文本中包含的各目标对象的强调效果，实现类似于真人强调的目的。
66.s106：根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音。
67.在此步骤中，由于目标对象的音效参数包含了对目标对象对应的语音的语速、音量等的调整，因此结合预先训练的语音合成模型得到的待处理文本对应的语音是按照各目标对象对应的音效参数对待处理文本对应的原始语音进行调整后的语音。调整后的待处理文本的语音实现了对目标对象的强调和明确，使得用户听到的语音包含了类似于人声强调的音效，更贴近于真实的人声，在重述场景中，达到了用户首次听到的语音与重述的语音不同的效果，突出了重要内容，进而也可以减少用户重复收听同一文本的语音的次数，提高用户的交互体验。
68.本方法通过确定所述待处理文本中包含的各目标对象，并基于各目标对象的特征信息确定各目标对象的音效参数，进而将各目标对象的音效参数输入到预先训练的语音合成模型中，得到包含各目标对象的待处理文本对应的语音。可见，通过自动识别待处理文本中包含的各目标对象的方法，即使是在大规模语音合成的场景中，也可以实现自动地控制目标对象对应的语音的语速、音量等特征，达到强调目标对象的目的。
69.在本说明书实施例中，如图1步骤s100所示的获取待处理文本中，待处理文本也可以是经文本分析后的文本，待处理文本具体可通过以下三个方面进行文本分析。
70.第一个方面：文本正则。在中文场景下，文本正则指的是将非汉字的字符(标点或数字等)转化为汉字，即，将待处理文本中非规范化的文本规范化。这是由于当待处理文本中包含非规范文本时，在不同的语言场景中，非规范为本对应有不同的发音方式。例如，当待处理文本中包含“2022年”时，“2022”对应的发音方式为“二零二二”，而当“2022”出现在“2022克”一词中时，发音方式为“两千零二十二”。可见，首先对待处理文本进行文本正则化处理可以避免非规范文本的发音错误，造成歧义。
71.第二个方面：分词。分词指的是将属于同一词语的多个字划分到同一词语中。分词是自然语言处理的基础，其准确度直接决定了词性标注、句法分析以及文本分析的质量。在中文场景中，不同于英文词句会使用空格讲单词进行分隔，中文天然缺少分隔符，需要结合上下文语境进行分词和断句。本说明书实施例中采用的分词算法可以是目前任意一种分词算法，本说明书对此不做限定。另外，在文本分析中的分词处理阶段还可以对词语的词性进行标注，如动词、名词、形容词等。还可以对分词的结果进行句法分析，如分析句子的句法结构(主谓宾结构)和词汇间的依存关系(并列、从属)等。
72.第三个方面：注音。文本分析中的注音指的是文本转音素(grapheme to phoneme，
g2p)，音素是从音的角度划分出来的最小的语音单位。通过g2p可以解决多音字、儿化音、变调等问题。例如，“今天天气很好”经过g2p可以得到“jin1tian1tian1qi4hen3hao3”的音素序列。本说明书实施例中通过文本分析过程中的注音可以得到待处理文本的原始音素序列，所述待处理文本的原始音素序列中可包含待处理文本中每个字的元音音素、辅音音素以及音调等特征。
73.在本说明书实施例中，如图1步骤s102所示的根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象中根据不同的应用场景，用户获取待处理文本对应的语音的请求可以是用户首次请求获取待处理文本对应的语音，也可以是用户非首次请求获取待处理文本对应的语音。
74.对于用户首次请求获取待处理文本对应的语音的情况：在某些特定场景中，即使用户获取所述待处理文本对应的语音的请求是第一次，也可以触发确定待处理文本中目标对象的步骤，进而使得首次输出的语音就能够实现强调重要内容的目的。例如，在外卖配送场景中可以设置语音提醒功能，骑手(用户)可以预先设置在接到派单后自动将配送起点以及终点以语音的方式发布，以便在接到派单时能够立刻了解订单的起点和终点。在此场景中，将骑手预先设置的在接单后自动将配送起点以及终点以语音的方式发布的指令作为用户获取所述待处理文本对应的语音的请求，当该骑手被派单后，语音发布系统可以自动发布如“派单，从a地到b地”的语音提示信息。
75.对于用户非首次请求获取待处理文本对应的语音的情况：在重述场景中，用户在智能语音系统首次输出语音时并未听清，因此通过回复“没有听清”的指令出发智能语音系统重复输出语音。在上述过程中，将用户回复“没有听清”的语音指令作为用户输入的重复获取所述待处理文本对应的语音的请求。为了使得再次输出的语音能够实现强调重要内容的目的，智能语音系统响应于用户获取所述待处理文本对应的语音的请求，自动确定待处理文本中包含的各目标对象，也即，待处理文本包含的各目标对象为待处理文本中需要强调的重要内容。
76.可见，本说明书实施例提供的语音合成方法的适用场景并不局限于人机交互的重述场景中，在首次输出语音时也可以实现强调重点内容的功能。
77.在本说明书实施例中，如图1步骤s102所示的根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象，如图2所示，具体可通过以下步骤确定：
78.s200：获取多个预设的目标对象识别模板。
79.在此步骤中，获取由工作人员预先设置的多个目标对象识别模板。其中，工作人员指的是对应用于智能语音系统的目标对象识别模板进行设置和维护的工作人员。所述目标对象识别模板可以是由工作人员根据业务类型设置、分类、存储以及维护的，用于识别待处理文本中目标对象的识别模板。当需要识别待处理文本中的目标对象时，可以调用多个预设的目标对象识别模板，从中查询待处理文本命中的目标对象识别模板。目标对象识别模板通常情况下是正则化文本模板，例如，在向用户提示出发地以及目的地的语音提示场景中，工作人员可以预先设置目标对象识别模板“从(c*)到(d*)”，其中“(c*)”为目标对象c，“(d*)”为目标对象d。其中，用户指的是智能语音系统提供智能语音服务的对象。当智能语音系统获取到的待处理文本为“从北京到天津”时，可将该待处理文本与上述目标对象识别模板匹配，进而获取目标对象c为“北京”，目标对象d为“天津”。
80.可见，工作人员仅需预先设置特定场景下的目标对象识别模板，即可对特定场景下常见的高频文本进行目标对象的自动识别，不仅可以实现对大量高频文本的自动识别，还无需工作人员针对目标对象的具体内容进行填充，极大地减少了人力资源的浪费。
81.s202：根据所述待处理文本的特征信息，在所述多个预设的目标对象识别模板中查是否存在与所述待处理文本匹配的预设目标对象识别模板。若是，执行步骤s204，若否则执行步骤s206。
82.由于预设的目标对象识别模板也是经过规范化的正则表达式的形式，可以利用目前现有的正则表达式匹配方法确定与待处理文本匹配的目标对象是别模板。具体的，可以先获取待处理文本的特征信息，其中，待处理文本的特征信息可以包括经文本分析后的待处理文本的正则表达式。然后，可以根据待处理文本的特征信息，识别待处理文本的业务类别，根据待处理文本的业务类别获得多个待处理文本的业务类别对应的目标对象识别模板，并在获得的多个目标对象识别模板中查与待处理文本匹配的目标对象识别模板，例如，待处理文本为“派单，从a地到b地”，通过分析待处理文本可从“派单”一词中确定该待处理文本的业务类别是配送业务类的，可从配送业务类的所有预设的目标对象识别模板中查是否存在与该待处理文本匹配的目标对象识别模板，以便确定该待处理文本对应的目标对象识别模板。
83.另外，由于目标对象识别模板是根据业务需要由工作人员预先配置的，待处理文本经文本分析后也可能出现与目标对象识别模板不能完全匹配的情况，基于此，还可以将待处理文本中每个字按照待处理文本中字的顺序，依次与预设的目标对象识别模板进行匹配，计算待处理文本中每个字与目标对象识别模板的匹配度，若匹配度高于匹配度阈值的字的数量较多，说明待处理文本与该目标对象识别模板匹配度高，则将该目标对象识别模板作为与所述待处理文本匹配的目标对象识别模板，并按照该目标对象识别模板对待处理文本进行识别，进而得到待处理文本中的目标对象。
84.s204：根据与所述待处理文本匹配的预设目标对象识别模板确定所述待处理文本中包含的各目标对象。
85.若存在与待处理文本匹配的目标对象识别模板，可按照查得到的待处理文本对应的目标对象识别模板中目标对象所在的位置确定待处理文本的各目标对象。
86.s206：获取所述待处理文本包含的每个词语对应的特征向量。
87.s208：将所述待处理文本包含的各词语对应的特征向量输入到预先训练的命名体识别模型，得到所述预先训练的命名体识别模型输出的各命名体作为所述待处理文本包含的各目标对象。
88.若不存在与待处理文本匹配的目标对象识别模板，则可以利用命名体识别技术将待处理文本中的命名体识别出来作为待处理文本中的目标对象。命名体识别(named entity recognition，ner)是自然语言处理过程中的重要步骤，被广泛应用到信息抽取、信息检索、信息推荐以及机器翻译等任务中。所谓命名体指的是自然语言中具有特定意义的专有名词。其中，命名体的种类可以是实体类，如人名、地名、机构名等，也可以是时间类，如日期等，还可以是数字类，如货币、百分比、号码等。
89.可选地，上述利用命名体识别技术将待处理文本中的命名体识别出来作为待处理文本中的目标对象的方式的执行也可以是不以不存在与待处理文本匹配的目标对象识别
模板为前提的，即，可以直接对待处理文本进行命名体识别，并将得到的各命名体作为待处理文本的目标对象，实现节省人力的目的。
90.可见，通过本说明书实施例提供的语音合成方法，可以实现自动识别待处理文本中目标对象的目的，本方法提供的由工作人员预先设置的目标对象识别模板的方式不仅完全达到使用ssml人工标注方案的功能，还不需要工作人员完成目标对象具体文本填充的工作，只需维护具体应用场景中的目标对象是识别模板即可，极大地简化了工作人员的工作量以及降低了使用强调目标对象功能的使用门槛。除此之外，本方法还提供了利用命名体识别技术的智能识别的方式，不仅可以直接自动识别出待处理文本中包含的各目标对象，还可以在待处理文本与预先设置的目标对象识别模板均不匹配的前提下，自动识别出待处理文本中命名体，达到强调命名体的效果。
91.在本说明书一个可选的实施例中，如图1步骤s102所示的确定所述待处理文本中包含的各目标对象的具体过程中，还可以通过确定所述待处理文本中包含的每个词语的重要性确定各词语是否为目标对象，具体通过以下步骤实现：
92.首先，获取所述待处理文本包含的每个词语对应的特征向量。
93.在此步骤中，待处理文本包含的各词语可以通过如图1所示s100所示的经文本分析后的待处理文本确定，其中，通过文本分析过程中的分词可以确定待处理文本中的各词语。待处理文本包含的每个词语对应的特征向量可以包括该词语对应的语义特征、句法特征以及与该词语的相邻词语的关系特征等。
94.然后，针对所述待处理文本包含的每个词语，根据该词语对应的特征向量，以及该词语的相邻词语对应的特征向量，确定该词语的权重。
95.进一步地，根据该词语对应的特征向量，以及该词语的相邻词语对应的特征向量，确定该词语的权重。其中，该词语的权重可以表征该词语在待处理文本中的重要性，若该词语的权重不低于预设的权重阈值，说明该词语需要在待处理文本的语音中被强调，因此可以将权重不低于预设的权重阈值的各词语作为待处理文本的目标对象，以便在后续步骤中确定该词语的音效参数，进而在待处理文本的语音中在音量、语速上强调该词语。
96.最后，根据所述待处理文本包含的各词语的权重，将权重不低于预设的权重阈值的词语作为目标对象。
97.可选地，在某些应用场景中，可能会出现待处理文本中包含的所有词语的权重均不低于预设的权重阈值的情况，或者可能会出现待处理文本中包含的所有词语的权重均低于预设的权重阈值的情况，针对上述情况，为了增强用户听取待处理文本的语音的可懂性，可以将待处理文本中的所有词语都作为待处理文本的目标对象，即，将待处理文本的全部文本都视为较为重要的内容，以便在后续步骤中确定待处理文本中所有词语的音效参数，进而在待处理文本的语音中在音量、语速上强调整句待处理文本。
98.例如，在用户与智能语音客服交互的场景中，针对用户的提问，智能语音客服可以确定出的能够回答用户提问的待处理文本，经过语义分析待处理文本，可能会出现待处理文本中包含的各词语的专业性都较强，按照默认的音量和语速输出待处理文本对应的语音可能使得用户并不能清晰的理解待处理文本的语义，显然，这些词语在待处理文本中的重要性都较高，导致智能语音客服无法自动分辨究竟哪些词语对于用户更加重要，对于这种场景，可以将待处理文本中的所有词语都作为待处理文本的目标对象，对待处理文本中包
含的所有词语进行音量放大，语速放慢，增加用户针对待处理文本的语音的反应时间，进而使得用户根据自身需求，听取自身所需的语音信息，避免用户重复收听待处理文本的语音，改进交互体验。
99.需要说明的是，上述通过待处理文本中各词语的权重确定目标对象的方式可以是与上述如图2所示的确定待处理文本中目标对象的方式同时使用，也可以是分别使用，本说明书对此不做限定。
100.在本说明书实施例中，如图1步骤s104所示的根据所述各目标对象的特征信息，确定各目标对象的音效参数，具体通过以下步骤确定：
101.首先根据获取到的用户的特征信息，确定所述待处理文本的第一音量参数；
102.在实际应用中，智能语音系统在与用户进行语音交互时，如果用户所在环境较为嘈杂，用户有可能听不清楚智能语音系统输出的默认音量的语音，此时，可以通过获取用户的特征信息，在默认音量的基础上确定待处理文本的第一音量参数，放大待处理文本的语音的音量。其中，用户的特征信息可以是在响应于用户获取待处理文本的语音的请求的同时获取的用户所在环境的信噪比。在本说明书实施例中所提到的用户所在环境的信噪比指的是根据用户的请求以及用户所在环境的噪声确定的用户所在环境的正常声音信号强度与环境噪声信号强度的比值。根据用户所在环境的信噪比确定的待处理文本的第一音量参数，进而在后续步骤中可以在智能语音系统输出语音的默认音量的基础上对待处理文本的语音进行放大，避免因用户所处环境过于嘈杂导致用户听不清智能语音系统输出的待处理文本的语音。
103.其次，根据所述各目标对象确定各目标对象的第二音量参数以及语速参数。
104.在实际应用中，由于智能语音系统最终输出的待处理文本的语音需要实现各目标对象的突出和强调，因此，在确定各目标对象后，确定各目标对象对应的语音的音量放大、语速放慢。具体的，各目标对象的第二音量参数以及语速参数均是相对值，即，根据目标对象的第二音量参数可以在待处理文本的原始语音音量的基础上，对目标对象的语音音量进行放大，根据目标对象的语速参数可以在待处理文本的原始语音语速的基础上，对目标对象的语音语速进行放慢。另外，目标对象的第二音量参数以及语速参数可以是固定参数，也可以是根据具体应用场景确定的可调节参数，以便动态地调整待处理文本中目标对象的语音的音量放大效果以及语速放慢效果。
105.最后，根据所述各目标对象的第二音量参数和语速参数以及所述待处理文本的第一音量参数，确定所述各目标对象的音效参数。
106.可见，待处理文本的语音需要在用户环境嘈杂时放大音量，也需要对待处理文本中目标对象进行音量放大和语速放慢。需要说明的是，待处理文本的第一音量参数、目标对象的第二音量参数以及目标对象的音效参数均是相对值，也就是说，根据待处理文本的第一音量参数、目标对象的第二音量参数以及目标对象的音效参数对待处理文本的语音以及待处理文本中包含的目标对象的语音进行音量、语速的调整时，均是在原始语音的音量、语速的基础上进行调整的，其中，在本说明书实施例中，针对目标对象的语音进行音量、语速的调整可以是在根据待处理文本的第一音量参数对待处理文本的原始语音的音量进行调整后，再次进行的调整。
107.例如，当用户所处环境较为安静时，原始音量为50％，原始语速为1。此时用户可以
较为清晰且音量适中地听清智能语音系统输出的语音。当用户所述环境较为嘈杂时，根据用户所述环境的信噪比，确定待处理文本的第一音量参数为10％，也即，当用户所处环境较为嘈杂时，对原始语音音量提高10％的音量，即，输出增强音量为60％，语速仍为1，以确保用户可以在嘈杂的环境中听清智能语音系统输出的语音。在此基础上，当待处理文本中包含目标对象时，确定目标对象的第二音量参数为5％，语速参数为0.2。此时，待处理文本的语音音量可以调整为，目标对象的语音音量为65％，目标对象的语速为0.8，待处理文本中除目标对象外的其他文本的语音音量为60％，语速为1。
108.在本说明书实施例中，如图1步骤s106所示的根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音，具体通过以下步骤实现：
109.首先，获取所述待处理文本对应的原始音素序列，并根据所述待处理文本对应的原始音素序列，以及所述待处理文本包含的各目标对象的音效参数，确定待处理文本对应的目标音素序列。
110.在实际应用中，待处理文本经文本分析过程中的注音步骤即可得到待处理文本的原始音素序列。注音步骤在上述如图1步骤s100所示的文本分析过程中已经进行阐述，此处不再赘述。
111.待处理文本的原始音素序列是按照待处理文本中包含的每个字的排列顺序将字对应的音素进行排列得到的，由于目标对象的音效参数中包含语速参数，也即，目标对象的语音的发音时长与待处理文本中除目标对象外的其他文本的语音的发音时长不同，为了将待处理文本中包含的各目标对象的音效参数与各目标对象的音素进行融合，需要进行音素对齐。本说明书实施例中采用的音素对齐的方式可以是任意现有的音素对齐方式，本说明书对此不做限定。
112.其次，将所述待处理文本对应的目标音素序列输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本中各目标对象的语音对应的第一预测时长和第一预测音量以及所述待处理文本的语音对应的第二预测时长和第二预测音量。
113.进一步地，待处理文本对应的目标音素序列中包含目标对象的语速和音量特征，以及待处理文本本身对应的默认语速特征和默认音量特征。基于此，所述预先训练的语音合成模型输出的待处理文本的语音的第二预测时长对应的是默认语速，待处理文本的语音的第二预测音量是默认音量，目标对象的语音的第一预测时长是在默认语速的基础上根据目标对象的语速参数确定的，目标对象的语音的第一预测音量是在默认音量的基础上根据目标对象的音量参数确定的。通常情况下，目标对象对应的语音的语速比待处理文本对应的语音的默认语速慢，目标对象对应的语音的音量比待处理文本对应的语音的默认音量大。
114.然后，根据所述目标对象的语音对应的第一预测时长和第一预测音量以及所述指定文本的语音对应的第二预测时长和第二预测音量确定所述待处理文本对应的语音。
115.将目标对象的语速特征以及音量特征与待处理文本对应的默认语速特征以及默认音量特征相融合，得到待处理文本对应的语音，实现对待处理文本中目标对象的强调与突出。
116.在本说明书一个可选地实施例中，在如图1步骤s106得到所述预先训练的语音合成模型输出的所述待处理文本的语音之后，还可以根据指定频段的增益系数对带出里文本的语音的指定频段进行调整，具体通过以下方式实现。
117.首先，获取所述待处理文本的语音对应的指定频段。所述指定频段包括根据人耳听觉特性确定出的人耳对声音敏感度高的语音的频率段。根据指定频段对应的增益系数，通过使用均衡器对落入指定频段的待处理文本的语音的进行音调整，可以显著增强指定频段上的语音在清晰度和可懂度。之所以在确定待处理文本的语音之后再对语音进行音调整，是因为将针对指定频段的语音的补偿在后处理阶段完成可以提高语音的合成音质，避免使用预先训练好的语音合成模型合成语音时对语音合成的音质产生影响。
118.然后，根据获取到的所述指定频段，确定所述待处理文本的语音对应的指定频段的增益系数；
119.具体的，指定频段的增益系数用于增强指定频段的语音信号的强度。由于声波中频率决定了声音音调的高低。实际的语音往往都不是单一频率的波，而是有各种频率的波叠加而成，从而形成了各具特的语音。声音音的不同就在于不同频率的声信号具有不同的强度。而均衡器就是根据这个原理来实现的。在本说明书实施例中，根据人耳听觉特性确定出的指定频段是2khz至4khz这一频段，对这一频段的待处理文本的语音进行调整，可以增强语音在指定频段上的清晰度和可懂度。
120.可选地，还可以在响应于用户获取待处理文本的语音的请求的同时，获取用户指定的音效果，如男声、女声等，根据用户指定的音效果对应的各频带的特性，确定使用均衡器对指定频段的语音进行调整的增益系数。
121.最后，根据所述增益系数，对所述待处理文本的语音的指定频段进行调整，得到所述待处理文本的目标语音。
122.在确定待处理文本的语音之后，使用均衡器对待处理文本的语音进行音效后处理的目的在于，在保证语音合成模型输出的合成语音的音质的基础上，对待处理文本的语音的指定频段进行调整，使得用户所听到的语音更为贴近流畅的人声语音。
123.以上为本说明书的一个或多个实施例提供的语音合成方法，基于同样的思路，本说明书还提供了相应的语音合成装置，如图3所示。
124.图3为本说明书提供的一种语音合成装置示意图，具体包括：
125.待处理文本获取模块300，用于获取待处理文本；
126.目标对象确定模块302，用于响应于用户获取所述待处理文本的语音的请求，确定所述待处理文本中包含的各目标对象；
127.音效参数确定模块304，用于根据所述各目标对象确定所述各目标对象的音效参数；
128.语音确定模块306，用于根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音。
129.可选地，所述目标对象确定模块302具体用于，获取多个预设的目标对象识别模板；根据所述待处理文本的特征信息，在所述多个预设的目标对象识别模板中查是否存在与所述待处理文本匹配的预设目标对象识别模板；若是，根据与所述待处理文本匹配的预设目标对象识别模板确定所述待处理文本中包含的各目标对象。
130.可选地，所述目标对象确定模块302具体用于，对所述待处理文本进行分词，得到所述待处理文本中包含的各词语；获取所述待处理文本包含的各词语对应的特征向量；将所述待处理文本包含的各词语对应的特征向量输入到预先训练的命名体识别模型，得到所述预先训练的命名体识别模型输出的各命名体作为所述待处理文本包含的各目标对象。
131.可选地，所述音效参数确定模块304具体用于，获取所述用户的特征信息；根据所述用户的特征信息，确定所述待处理文本的第一音量参数；根据所述各目标对象的特征信息，确定各目标对象的第二音量参数以及语速参数；根据所述各目标对象的第二音量参数和语速参数以及所述待处理文本的第一音量参数，确定所述各目标对象的音效参数，确定所述各目标对象的音效参数。
132.可选地，所述语音确定模块306具体用于，获取所述待处理文本对应的原始音素序列；根据所述待处理文本对应的原始音素序列，以及所述待处理文本包含的各目标对象的音效参数，确定待处理文本对应的目标音素序列；将所述待处理文本对应的目标音素序列输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本的语音。
133.可选地，所述语音确定模块306具体用于将所述待处理文本对应的目标音素序列输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本中各目标对象的语音对应的第一预测时长和第一预测音量以及所述待处理文本的语音对应的第二预测时长和第二预测音量；根据所述目标对象的语音对应的第一预测时长和第一预测音量以及所述待处理文本的语音对应的第二预测时长和第二预测音量确定所述待处理文本对应的语音。
134.可选地，所述语音确定模块306还用于，在所述语音确定模块306将所述待处理文本的特征信息以及所述各目标对象的音效参数输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本的语音之后，获取所述待处理文本的语音对应的指定频段；根据获取到的所述指定频段，确定所述待处理文本的语音对应的指定频段的增益系数；根据所述增益系数，对所述待处理文本的语音的指定频段进行调整，得到所述待处理文本的目标语音。
135.本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的语音合成方法。
136.本说明书还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的语音合成方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
137.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件
(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
138.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
139.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
140.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
141.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
142.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
143.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
144.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
145.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
146.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
147.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
148.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
149.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
150.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块
可以位于包括存储设备在内的本地和远程计算机存储介质中。
151.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
152.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

技术特征：

1.一种语音合成方法，其特征在于，包括：获取待处理文本；响应于用户获取所述待处理文本的语音的请求，根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象；根据所述各目标对象确定所述各目标对象的音效参数；根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音。2.如权利要求1所述的方法，其特征在于，根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象，具体包括：获取多个预设的目标对象识别模板；根据所述待处理文本的特征信息，在所述多个预设的目标对象识别模板中查是否存在与所述待处理文本匹配的预设目标对象识别模板；若是，根据与所述待处理文本匹配的预设目标对象识别模板确定所述待处理文本中包含的各目标对象。3.如权利要求1所述的方法，其特征在于，根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象，具体包括：对所述待处理文本进行分词，得到所述待处理文本中包含的各词语；获取所述待处理文本包含的各词语对应的特征向量；将所述待处理文本包含的各词语对应的特征向量输入到预先训练的命名体识别模型，得到所述预先训练的命名体识别模型输出的所述待处理文本包含的各命名体作为所述待处理文本包含的各目标对象。4.如权利要求1所述的方法，其特征在于，根据所述各目标对象确定各目标对象的音效参数，具体包括：获取所述用户的特征信息；根据所述用户的特征信息，确定所述待处理文本的第一音量参数；根据所述各目标对象确定所述各目标对象的第二音量参数以及语速参数；根据所述各目标对象的第二音量参数和语速参数以及所述待处理文本的第一音量参数，确定所述各目标对象的音效参数。5.如权利要求1所述的方法，其特征在于，根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音，具体包括：获取所述待处理文本对应的原始音素序列；根据所述待处理文本对应的原始音素序列，以及所述待处理文本包含的各目标对象的音效参数，确定待处理文本对应的目标音素序列；将所述待处理文本对应的目标音素序列输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本的语音。6.如权利要求5所述的方法，其特征在于，将所述待处理文本对应的目标音素序列输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的所述待处理文本的语音，具体包括：将所述待处理文本对应的目标音素序列输入到预先训练的语音合成模型，得到所述预
先训练的语音合成模型输出的所述待处理文本中各目标对象的语音对应的第一预测时长和第一预测音量以及所述待处理文本的语音对应的第二预测时长和第二预测音量；根据所述目标对象的语音对应的第一预测时长和第一预测音量以及所述待处理文本的语音对应的第二预测时长和第二预测音量确定所述待处理文本对应的语音。7.如权利要求1所述的方法，其特征在于，将所述各目标对象的音效参数输入到预先训练的语音合成模型，得到所述预先训练的语音合成模型输出的包含所述各目标对象的所述待处理文本的语音之后，所述方法还包括：获取所述待处理文本的语音对应的指定频段；根据所述指定频段，确定所述待处理文本的语音对应的指定频段的增益系数；根据所述增益系数，对所述待处理文本的语音的指定频段进行调整，得到所述待处理文本的目标语音。8.一种语音合成装置，其特征在于，包括：待处理文本获取模块，用于获取待处理文本；目标对象确定模块，用于响应于用户获取所述待处理文本的语音的请求，根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象；音效参数确定模块，用于根据所述各目标对象确定所述各目标对象的音效参数；语音确定模块，用于根据所述各目标对象的音效参数以及预先训练的语音合成模型，确定包含所述各目标对象的所述待处理文本的语音。9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。

技术总结

本说明书公开了一种语音合成方法、装置、设备及存储介质，本方法通过根据所述待处理文本的特征信息，确定所述待处理文本中包含的各目标对象，并确定各目标对象的音效参数，进而基于各目标对象的音效参数以及预先训练的语音合成模型，确定包含各目标对象的待处理文本对应的语音。可见，通过自动识别待处理文本中包含的各目标对象，并自动确定各目标对象的音效参数的方式，即使是在大规模语音合成的场景中，也可以实现自动控制目标对象对应的语音的语速、音量等特征，达到强调目标对象的目的。达到强调目标对象的目的。达到强调目标对象的目的。