用于生成语音的方法、装置、电子设备和计算机可读介质与流程

本公开的实施例涉及计算机技术领域，具体涉及用于生成语音的方法、装置、电子设备和计算机可读介质。

背景技术：

有关语音生成技术的研究已经是整个语音语言研究中非常重要的组成部分，国内外均有一些这方面的前期研究成果，但限于计算复杂度、存储量及计算实时性等多方面原因，早期工作大部分还停留在实验室阶段。但在很多方面中，语音生成技术的应用前景十分广泛。

相关技术中，生成的语音往往都是同一种声音，无法生成任意说话人声音的语音生成。

技术实现要素：

本公开的内容部分用于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。本公开的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。

本公开的一些实施例提出了用于生成语音的方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于生成语音的方法，该方法包括：获取用户语音和目标说话人语音；提取用户语音中的文本特征向量；根据目标说话人语音，得到目标说话人信息；基于目标说话人信息和文本特征向量，生成目标语言的语音。

第二方面，本公开的一些实施例提供了一种生成语音装置，装置包括：获取单元，被配置成获取用户语音和目标说话人语音；提取单元，被配置成提取上述用户语音中的文本特征向量；第一生成单元，被配置成根据上述目标说话人语音，得到目标说话人信息；第二生成单元，被配置成基于上述目标说话人信息和文本特征向量，生成目标语言的语音。

第三方面，本申请实施例提供了一种电子设备，该网络设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取用户语音和目标说话人语音，而后从用户语音中国提取文本特征向量并根据目标说话人语音得到目标说话人信息，做最后基于目标说话人信息和文本特征向量生成目标语音的语音。从而利用用户语音和目标说话人语音生成目标语言的语音，实现了任意的目标说话人声音的定制化语音生成，提升用户体验。

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。

图1是根据本公开一些实施例的用于生成语音的方法的一个应用场景的示意图；

图2是根据本公开的用于生成语音的方法的一些实施例的流程图；

图3是根据本公开的生成语音装置的一些实施例的结构示意图；

图4是适于用来实现本公开的一些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。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。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。

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。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的用于生成语音的方法的一个应用场景的示意图。

如图1所示，首先，服务器101可以获取用户语音102和目标说话人语音103。之后，服务器101可以从用户语音102中提取文本特征向量104，根据目标说话人语音103得到目标说话人信息105。接着，服务器101可以利用文本特征向量104和目标说话人信息105生成目标语言的语音106。

可以理解的是，用于生成语音的方法可以是由服务器101来执行，或者也可以是由终端设备来执行，上述方法的执行主体还可以包括上述服务器101与上述终端设备通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的服务器数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器。

继续参考图2，示出了根据本公开的用于生成语音的方法的一些实施例的流程200。该用于生成语音的方法，包括以下步骤：

步骤201，获取用户语音和目标说话人语音。

在一些实施例中，用于生成语音的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行网页浏览的终端获取用户语音和目标说话人语音。在这里，上述目标说话人通常是指用户想要生成的说话人声音。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，提取上述用户语音中的文本特征向量。

在一些实施例中，基于步骤201中得到的用户语音，上述执行主体(例如图1所示的服务器)可以通过多种方式提取上述用户语音中的文本特征向量。作为示例，上述执行主体可以通过将用户语音转换成文本方式提取文本特征向量，作为又一示例，上述执行主体还可以预先存储多条用户语音及用户语音对应的文本特征向量的对应关系，当提取文本特征向量时，在预存的用户语音中确定相同或相似的用户语音并提取对应的文本特征向量。在这里，上述文本特征向量通常是指上述用户语音内容对应的拼音序列或音素序列。作为示例，当上述用户语音转换的文本为“你好”，则文本特征向量可以是拼音序列“nihao”；当上述用户语音转换成的文本为“hello”，则上述文本特征向量可以是音素序列“hello”。

在一些实施例的一些可选的实现方式中，上述执行主体可以提取上述用户语音中的声学特征。在这里，上述提取声学特征可以是通过自相关函数法、倒谱法等方法对用户语音的声学特征进行提取。在这里，上述声学特征通常是指包括说话人所说语音内容、音高、音强、音长、音色等特征的特征。

之后，通过提取模型对声学特征进行分析，得到文本特征向量。其中，上述提取模型已通过第一样本训练样本集合进行了训练，上述第一训练样本集合包括样本声学特征和样本文本特征向量。

在这里，上述提取模型通常用于表征声学特征与文本特征向量的对应关系。作为示例，上述提取模型可以是包括声学特征与文本特征向量的对应关系表。对应关系表可以是技术人员基于对大量的样本声学特征与样本文本特征向量的统计而预先制定的、存储有多个样本声学特征与样本文本特征向量的对应关系的对应关系表。

之后，将该声学特征与对应关系表中的多个样本声学特征依次进行比较，若对应关系表中的某一个样本声学特征与声学特征相同或相似，则将对应关系表中的样本声学特征对应的样本文本特征向量作为文本特征向量。

在一些实施例的一些可选的实现方式中，上述提取模型是以上述样本声学特征作为输入并以上述样本文本特征向量用于作为期望输出进行训练的。

作为示例，提取模型可以是基于训练样本集合执行以下训练步骤得到的。基于训练样本集合执行以下训练步骤：将训练样本中的样本声学特征输入至初始机器学习模型，得到文本特征向量；将上述文本特征向量与对应的样本文本特征向量进行比较；根据比较结果确定上述初始机器学习模型的预测准确率；确定上述预测准确率是否大于预设准确率阈值；响应于确定上述准确率大于上述预设准确率阈值，则将上述初始机器学习模型作为训练完成的提取模型；响应于确定上述准确率不大于上述预设准确率阈值，调整上述初始机器学习模型的参数。

可以理解的是，经过上述训练之后，提取模型可以用于表征声学特征与文本特征向量之间的对应关系。上述提及的提取模型可以是深度神经网络(dnn)。

步骤203，根据上述目标说话人语音，得到目标说话人信息。

在一些实施例中，上述执行主体可以通过对目标说话人语音进行声学特征提取等方式生成目标说话人信息。在这里，上述目标说话人信息通常用于表征该条语音的说话人的声学特征信息。作为示例，上述目标说话人信息可以是目标说话人的音色信息或目标说话人的音高信息等声学特征信息。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过生成模型对目标说话人语音进行分析，得到目标说话人信息，其中，上述生成模型已通过第二样本训练集合进行了训练，上述第二训练样本集合包括样本目标说话人语音和样本目标说话人信息。

在这里，上述生成模型通常用于表征目标说话人语音与目标说话人信息的对应关系。作为示例，上述生成模型可以是包括目标说话人语音与目标说话人信息的对应关系表。对应关系表可以是技术人员基于对大量的样本目标说话人语音与样本目标说话人信息的统计而预先制定的、存储有多个样本目标说话人语音与样本目标说话人信息的对应关系的对应关系表。

之后，将该目标说话人语音与对应关系表中的多个样本目标说话人语音依次进行比较，若对应关系表中的某一个样本目标说话人语音与目标说话人语音相同或相似，则将对应关系表中的样本目标说话人语音对应的样本目标说话人信息作为目标说话人信息。

在一些实施例的一些可选的实现方式中，上述生成模型是以上述样本目标说话人语音作为期望输入并以上述样本目标说话人信息作为期望输出进行训练的。

作为示例，生成模型可以是基于训练样本集合执行以下训练步骤得到的。基于训练样本集合执行以下训练步骤：将训练样本中的样本目标说话人语音输入至初始机器学习模型，得到目标说话人信息；将上述目标说话人信息与对应的样本目标说话人信息进行比较；根据比较结果确定上述初始机器学习模型的预测准确率；确定上述预测准确率是否大于预设准确率阈值；响应于确定上述准确率大于上述预设准确率阈值，则将上述初始机器学习模型作为训练完成的生成模型；响应于确定上述准确率不大于上述预设准确率阈值，调整上述初始机器学习模型的参数。

可以理解的是，经过上述训练之后，生成模型可以用于表征目标说话人语音与目标说话人信息之间的对应关系。上述提及的生成模型可以是深度神经网络(dnn)。

步骤204，基于上述目标说话人信息和文本特征向量，生成目标语言的语音。

在一些实施例中，上述执行主体可以基于上述目标说话人信息和文本特征向量生成目标语言的语音。作为示例，上述执行主体可以预先存储多条目标说话人语音，并根据文本特征向量对上述多条目标说话人语音进行剪切或拼接等方式合成目标语言的语音。在这里，上述目标语言通常是指用户需要生成的语音的语言。作为示例，上述目标语言通常与用户语音的语言相同。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过转换模型对目标说话人信息和文本特征向量进行分析，得到目标声学特征。其中，上述转换模型已通过第三样本训练集合进行了训练，上述第三训练样本集合包括样本目标说话人信息、样本文本特征向量和样本目标声学特征。

之后，将上述目标声学特征转换为目标语言的语音。作为示例，上述执行主体可以利用声码器将上述目标声学特征转换为目标语言的语音。在这里，上述声码器(vocoder)通常是指语音信号的语音分析合成系统。

在这里，上述转换模型通常用于表征“目标说话人信息与文本特征向量”和目标声学特征的对应关系。作为示例，上述转换模型可以是包括“目标说话人信息与文本特征向量”和目标声学特征的对应关系表。对应关系表可以是技术人员基于对大量的“样本目标说话人信息与样本文本特征向量”和样本目标声学特征的统计而预先制定的、存储有多个“样本目标说话人信息与样本文本特征向量”和样本目标声学特征的对应关系的对应关系表。

之后，将“目标说话人信息与文本特征向量”与对应关系表中的多个“样本目标说话人信息与样本文本特征向量”依次进行比较，若对应关系表中的某一个“样本目标说话人信息与样本文本特征向量”与“目标说话人信息与文本特征向量”相同或相似，则将对应关系表中的“样本目标说话人信息与样本文本特征向量”对应的样本目标声学特征作为目标声学特征。

在一些实施例的一些可选的实现方式中，上述转换模型是以上述样本目标说话人语音和样本文本特征向量作为期望输入并以上述样本目标声学特征作为期望输出进行训练的。

作为示例，转换模型可以是基于训练样本集合执行以下训练步骤得到的。基于训练样本集合执行以下训练步骤：将训练样本中的“样本目标说话人信息与样本文本特征向量”输入至初始机器学习模型，得到目标声学特征；将上述目标声学特征与对应的样本目标声学特征进行比较；根据比较结果确定上述初始机器学习模型的预测准确率；确定上述预测准确率是否大于预设准确率阈值；响应于确定上述准确率大于上述预设准确率阈值，则将上述初始机器学习模型作为训练完成的转换模型；响应于确定上述准确率不大于上述预设准确率阈值，调整上述初始机器学习模型的参数。

可以理解的是，经过上述训练之后，转换模型可以用于表征“目标说话人信息与文本特征向量”和目标声学特征之间的对应关系。上述提及的转换模型可以是深度神经网络(dnn)。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取用户语音和目标说话人语音，而后从用户语音中国提取文本特征向量并根据目标说话人语音得到目标说话人信息，做最后基于目标说话人信息和文本特征向量生成目标语音的语音。从而利用用户语音和目标说话人语音生成目标语言的语音，实现了任意的目标说话人声音的定制化语音生成，提升用户体验。

进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种生成语音装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，一些实施例的生成语音装置300包括：获取单元301、提取单元302、第一生成单元303和第二生成单元304。其中，获取单元301配置用于获取用户语音和目标说话人语音；提取单元302配置用于提取上述用户语音中的文本特征向量；第一生成单元303配置用于根据上述目标说话人语音，得到目标说话人信息；而第二生成单元304配置用于基于上述目标说话人信息和文本特征向量，生成目标语言的语音。

在一些实施例的一些可选的实现方式中，上述提取单元302被进一步配置用于：提取上述用户语音中的声学特征；通过提取模型对声学特征进行分析，得到文本特征向量，其中，上述提取模型已通过第一样本训练样本集合进行了训练，上述第一训练样本集合包括样本声学特征和样本文本特征向量。

在一些实施例的一些可选的实现方式中，上述提取模型是以上述样本声学特征作为输入并以上述样本文本特征向量用于作为期望输出进行训练的。

在一些实施例的一些可选的实现方式中，上述第一生成单元303被进一步配置用于：通过生成模型对目标说话人语音进行分析，得到目标说话人信息，其中，上述生成模型已通过第二样本训练集合进行了训练，上述第二训练样本集合包括样本目标说话人语音和样本目标说话人信息。

在一些实施例的一些可选的实现方式中，上述生成模型是以上述样本目标说话人语音作为期望输入并以上述样本目标说话人信息作为期望输出进行训练的。

在一些实施例的一些可选的实现方式中，上述第二生成单元304被进一步配置用于：通过转换模型对目标说话人信息和文本特征向量进行分析，得到目标声学特征，其中，上述转换模型已通过第三样本训练集合进行了训练，上述第三训练样本集合包括样本目标说话人信息、样本文本特征向量和样本目标声学特征；将上述目标声学特征转换为目标语言的语音。

在一些实施例的一些可选的实现方式中，上述生成模型是以上述样本目标说话人语音和样本文本特征向量作为期望输入并以上述样本目标声学特征作为期望输出进行训练的。

可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取用户语音和目标说话人语音，而后从用户语音中国提取文本特征向量并根据目标说话人语音得到目标说话人信息，做最后基于目标说话人信息和文本特征向量生成目标语音的语音。从而利用用户语音和目标说话人语音生成目标语言的语音，实现了任意的目标说话人声音的定制化语音生成，提升用户体验。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)400的结构示意图。图4示出的电子设备仅仅是一个示例，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ram403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、rom402以及ram403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；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。图4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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，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rom402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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，客户端、服务器可以利用诸如http(hypertexttransferprotocol，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，adhoc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：获取用户语音和目标说话人语音；提取上述用户语音中的文本特征向量；根据上述目标说话人语音，得到目标说话人信息；基于上述目标说话人信息和文本特征向量，生成目标语言的语音。

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一些实施例的操作的计算机程序代码，上述程序设计语言包括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。

描述于本公开的一些实施例中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、提取单元、第一生成单元和第二生成单元。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“获取用户语音和目标说话人语音的单元”。

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。

根据本公开的一个或多个实施例，提供了一种用于生成语音的方法，包括：获取用户语音和目标说话人语音；提取上述用户语音中的文本特征向量；根据上述目标说话人语音，得到目标说话人信息；基于上述目标说话人信息和文本特征向量，生成目标语言的语音。

根据本公开的一个或多个实施例，上述提取用户语音中的文本特征向量，包括：提取上述用户语音中的声学特征；通过提取模型对声学特征进行分析，得到文本特征向量，其中，上述提取模型已通过第一样本训练样本集合进行了训练，上述第一训练样本集合包括样本声学特征和样本文本特征向量。

根据本公开的一个或多个实施例，上述提取模型是以上述样本声学特征作为输入并以上述样本文本特征向量用于作为期望输出进行训练的。

根据本公开的一个或多个实施例，上述根据上述目标说话人语音，得到目标说话人信息，包括：通过生成模型对目标说话人语音进行分析，得到目标说话人信息，其中，上述生成模型已通过第二样本训练集合进行了训练，上述第二训练样本集合包括样本目标说话人语音和样本目标说话人信息。

根据本公开的一个或多个实施例，上述生成模型是以上述样本目标说话人语音作为期望输入并以上述样本目标说话人信息作为期望输出进行训练的。

根据本公开的一个或多个实施例，上述基于上述目标说话人信息和文本特征向量，生成目标语言的语音，包括：通过转换模型对目标说话人信息和文本特征向量进行分析，得到目标声学特征，其中，上述转换模型已通过第三样本训练集合进行了训练，上述第三训练样本集合包括样本目标说话人信息、样本文本特征向量和样本目标声学特征；将上述目标声学特征转换为目标语言的语音。

根据本公开的一个或多个实施例，上述生成模型是以上述样本目标说话人语音和样本文本特征向量作为期望输入并以上述样本目标声学特征作为期望输出进行训练的。

根据本公开的一个或多个实施例，提供了一种用于生成语音的装置，包括：获取单元，被配置成获取用户语音和目标说话人语音；提取单元，被配置成提取上述用户语音中的文本特征向量；第一生成单元，被配置成根据上述目标说话人语音，得到目标说话人信息；第二生成单元，被配置成基于上述目标说话人信息和文本特征向量，生成目标语言的语音。

根据本公开的一个或多个实施例，提供了一种电子设备，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，使得上述一个或多个处理器实现如上述实施例中任一上述的方法。

根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，上述程序被处理器执行时实现如上述实施例中任一上述的方法。

以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。