[发明专利]语音合成方法、装置、电子设备及存储介质

权利要求书

1.一种语音合成方法，其特征在于，包括以下步骤：

获取文本数据，根据所述文本数据得到线性频谱目标值和相位目标值，将所述文本数据转化为文本向量；

将所述文本向量输入神经网络模型得到线性频谱预测值和相位预测值，根据所述线性频谱目标值、所述线性频谱预测值、所述相位目标值和所述相位预测值计算整体损失，根据所述整体损失训练所述神经网络模型，通过训练完成的所述神经网络模型得到线性频谱和初始相位；

将所述线性频谱和所述初始相位输入至Griffin-Lim声码器进行迭代训练，得到所述文本数据对应的音频信号；

其中，将所述线性频谱和所述初始相位输入至Griffin-Lim声码器进行迭代训练，得到所述文本数据对应的音频信号，包括：将所述线性频谱和所述初始相位进行逆短时傅里叶变换得到音频信号，通过Griffin-Lim声码器的迭代训练，得到连接各音频帧的连合相位，根据所述连合相位恢复并输出所述文本数据对应的音频信号。

2.如权利要求1所述的一种语音合成方法，其特征在于，根据所述文本数据得到线性频谱目标值和相位目标值，将所述文本数据转化为文本向量，包括：

获取与所述文本数据匹配的音频数据；

将所述音频数据进行短时傅里叶变换得到所述线性频谱目标值和所述相位目标值；

将所述文本数据进行分词，得到所述文本数据的分词结果，对所述分词结果进行独热编码得到文本向量。

3.如权利要求1所述的一种语音合成方法，其特征在于：所述神经网络模型为Tacotron模型，将所述文本向量输入神经网络模型得到线性频谱预测值和相位预测值，包括：

通过所述Tacotron模型对所述文本向量进行计算，得到维度相同的线性频谱预测值和相位预测值。

4.如权利要求3所述的一种语音合成方法，其特征在于：根据所述线性频谱目标值、所述线性频谱预测值、所述相位目标值和所述相位预测值计算整体损失，包括：

将所述线性频谱目标值和所述线性频谱预测值输入线性频谱损失函数进行计算，得到线性频谱损失；

将所述相位目标值和所述相位预测值输入相位损失函数进行计算，得到相位损失；

将所述相位损失和所述线性频谱损失按照预设的权重相加，得到整体损失。

5.如权利要求4所述的一种语音合成方法，其特征在于：根据所述整体损失训练所述神经网络模型，包括：

当所述整体损失大于或等于预设阈值时，基于所述整体损失训练所述神经网络模型，并得到当前训练模型输出的线性频谱预测值和相位预测值，直到所述整体损失小于所述预设阈值时，得到训练完成的所述神经网络模型。

6.如权利要求1-5任一项所述的一种语音合成方法，其特征在于：所述线性频谱和所述初始相位分别通过通道数量相同的频谱通道和相位通道输入至所述Griffin-Lim声码器。

7.一种语音合成装置，其特征在于，其包括：

数据处理模块，用于获取文本数据，根据所述文本数据得到线性频谱目标值和相位目标值，将所述文本数据转化为文本向量；

模型训练模块，用于将所述文本向量输入神经网络模型得到线性频谱预测值和相位预测值，根据所述线性频谱目标值、所述线性频谱预测值、所述相位目标值和所述相位预测值计算整体损失，根据所述整体损失训练所述神经网络模型，通过训练完成的所述神经网络模型得到线性频谱和初始相位；

音频输出模块，用于将所述线性频谱和所述初始相位输入至Griffin-Lim声码器进行迭代训练，得到所述文本数据对应的音频信号；其中，将所述线性频谱和所述初始相位输入至Griffin-Lim声码器进行迭代训练，得到所述文本数据对应的音频信号，包括：将所述线性频谱和所述初始相位进行逆短时傅里叶变换得到音频信号，通过Griffin-Lim声码器的迭代训练，得到连接各音频帧的连合相位，根据所述连合相位恢复并输出所述文本数据对应的音频信号。