[发明专利]语音合成模型的训练方法、语音合成方法、装置、设备及存储介质

权利要求书

1.一种语音合成模型的训练方法，其特征在于，包括：

获取数据集，所述数据集包括训练文本数据和与所述训练文本数据对应的训练语音数据；

根据所述训练文本数据，生成训练文本向量；

基于第一编码器，对所述训练语音数据进行编码，以得到训练嵌入向量；

基于注意力机制，对所述训练嵌入向量进行标记，以得到训练风格向量；

根据所述训练文本向量、所述训练语音数据和所述训练风格向量，对预设的神经网络模型进行模型训练，以得到语音合成模型。

2.根据权利要求1所述的语音合成模型的训练方法，其特征在于，所述根据所述训练文本数据，生成训练文本向量，包括：

对所述训练文本数据进行拼音转换，以得到对应的拼音串；

基于字符数字对应关系，将所述拼音串转换为数字序列，将所述数字序列存储为训练文本向量。

3.根据权利要求1所述的语音合成模型的训练方法，其特征在于，所述基于注意力机制，对所述训练嵌入向量进行标记，以得到训练风格向量，包括：

获取多个初始语音风格向量；

根据注意力机制，计算所述训练嵌入向量与各所述初始语音风格向量的相似度；

根据各所述初始语音风格向量的相似度，构建所述训练风格向量。

4.根据权利要求3所述的语音合成模型的训练方法，其特征在于，所述根据各所述初始语音风格向量的相似度，构建所述训练风格向量，包括：

以各所述初始语音风格向量对应的相似度为初始语音风格向量的注意力权重，对各所述初始语音风格向量加权求和，以得到所述训练风格向量。

5.根据权利要求1所述的语音合成模型的训练方法，其特征在于，所述根据所述训练文本向量、所述训练语音数据和所述训练风格向量，对预设的神经网络模型进行模型训练，以得到语音合成模型，包括：

对所述训练文本向量和所述训练风格向量进行拼接处理，以得到训练拼接向量；

根据所述训练语音数据和所述训练拼接向量，对所述神经网络模型进行模型训练，以得到所述语音合成模型。

6.一种语音合成方法，其特征在于，包括：

获取目标文本向量和目标语音风格向量；

将所述目标文本向量和所述目标语音风格向量进行拼接处理，以得到目标拼接向量；

将所述目标拼接向量输入语音合成模型，以输出目标合成语音数据；所述语音合成模型是由如权利要求1-5任一项所述的语音合成模型的训练方法训练得到的模型。

7.一种语音合成模型的训练装置，其特征在于，包括：

数据获取单元，用于获取数据集，所述数据集包括训练文本数据和与所述训练文本数据对应的训练语音数据；

向量生成单元，用于根据所述训练文本数据，生成训练文本向量；

向量编码单元，用于基于第一编码器，对所述训练语音数据进行编码，以得到训练嵌入向量；

向量获取单元，用于基于注意力机制，对所述训练嵌入向量进行标记，以得到训练风格向量；

模型训练单元，用于根据所述训练文本向量、所述训练语音数据和所述训练风格向量，对预设的神经网络模型进行模型训练，以得到语音合成模型。

8.一种语音合成装置，其特征在于，包括：

向量获取单元，用于获取目标文本向量和目标语音风格向量；

向量拼接单元，用于将所述目标文本向量和所述目标语音风格向量进行拼接处理，以得到目标拼接向量；

数据输出单元，用于将所述目标拼接向量输入语音合成模型，以输出目标合成语音数据；所述语音合成模型是由如1至5中任一项所述的语音合成模型的训练方法训练得到的模型。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至5中任一项所述的语音合成模型的训练方法，或如权利要求6所述的语音合成方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读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使所述处理器实现如权利要求1至5中任一项所述的语音合成模型的训练方法，或如权利要求6所述的语音合成方法。