买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京远鉴信息技术有限公司申请的专利融合视觉信息的语音合成方法、装置、电子设备及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120089122B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510579001.4，技术领域涉及：G10L13/02；该发明授权融合视觉信息的语音合成方法、装置、电子设备及介质是由张德俊;王秋明设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本融合视觉信息的语音合成方法、装置、电子设备及介质在说明书摘要公布了：本申请提供了融合视觉信息的语音合成方法、装置、电子设备及介质，包括：基于文本编码器提取出目标文本信息的文本特征；对目标视频信息进行特征提取处理、向量量化编码处理以及交叉注意力处理，确定出目标视频信息中的视频特征；对文本特征以及视频特征进行交叉注意力处理，确定出联合特征；将联合特征输入至预先训练好的语音生成模型，对联合特征进行建模处理生成视频文本特征，再对视频文本特征进行随机韵律预测处理、特征扩充处理以及解码处理，生成目标文本信息所对应的合成语音。通过融合视频中的信息，生成更加富有表现力的语音。这种方法不仅解决了现有技术在情感控制方面的不足，还能够利用少量样本数据实现高质量的语音合成。

本发明授权融合视觉信息的语音合成方法、装置、电子设备及介质在权利要求书中公布了：1.一种融合视觉信息的语音合成方法，其特征在于，所述语音合成方法包括： 基于文本编码器提取出目标文本信息的文本特征； 对目标视频信息进行特征提取处理、向量量化编码处理以及交叉注意力处理，确定出所述目标视频信息中的视频特征； 对所述文本特征以及所述视频特征进行交叉注意力处理，确定出联合特征； 将所述联合特征输入至预先训练好的语音生成模型，对所述联合特征进行建模处理生成视频文本特征，再对所述视频文本特征进行随机韵律预测处理、特征扩充处理以及解码处理，生成所述目标文本信息所对应的合成语音；其中，所述合成语音的情绪特征与所述目标视频信息的情绪特征相一致； 所述对所述联合特征进行建模处理生成视频文本特征，再对所述视频文本特征进行随机韵律预测处理、特征扩充处理以及解码处理，生成所述目标文本信息所对应的合成语音，包括： 基于所述语音生成模型的视频文本联合编码器之中的自注意力机制、位置编码机制以及多头注意力机制对所述联合特征进行建模处理捕捉所述文本特征与所述视频特征之间的跨模态关系，生成视频文本特征； 将所述视频文本特征输入至所述语音生成模型的随机韵律预测器之中，对所述视频文本特征进行随机韵律预测处理以及特征扩充处理，生成扩充后的所述视频文本特征； 将所述视频文本特征中音素的持续时长、目标人说话嵌入向量以及扩充后的所述视频文本特征输入至所述语音生成模型的解码器中进行语音合成处理，生成所述目标文本信息所对应的合成语音。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京远鉴信息技术有限公司，其通讯地址为：100000 北京市海淀区西四环北路119号A座3层320室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。