[发明专利]语音合成模型的训练方法、装置、存储介质以及电子设备

说明书

本申请实施例公开了一种语音合成模型的训练方法，所述方法包括基于初始语音合成模型对文本数据进行语音合成处理得到合成语音，基于说话人分类网络对所述合成语音进行情感识别得到第一特征向量，基于说话人分类网络对所述文本数据对应的真人语音进行情感识别得到第二特征向量，将所述第一特征向量和所述第二特征向量进行比较，基于比较结果对所述初始语音合成模型的网络参数进行更新处理得到目标语音合成模型。通过情感识别网络对合成语音数据和真人语音数据进行情感识别，依据反馈结果更新初始语音合成模型的网路参数，完成初始语音合成模型的训练，得到目标语音合成模型，精准的实现了语音合成模型的训练。

技术领域

本发明涉及语音处理技术领域，尤其涉及一种语音合成模型的训练方法、装置、存储介质以及电子设备。

背景技术

随着人工智能技术的发展，语音合成技术越来越受到人们的重视，合成语音被应用在各种场合中，比如：公共交通上的语音播报，在线教学课程中代替老师点名、读题目等，天气播报、新闻播报等与语音合成的相关场合中。但是发明人发现：通过语音合成模型得到的合成语音比较生硬，“机器人声音”痕迹明显，那么如何使得合成语音和真人语音更加相似是一个亟需解决的问题。

发明内容

本申请实施例提供了一种语音合成模型的训练方法、装置、计算机存储介质以及电子设备，旨在提升语音合成技术中合成语音的真实性的技术问题。所述技术方案如下：

第一方面，本申请实施例提供了一种语音合成模型的训练方法，所述方法包括：

基于初始语音合成模型对文本数据进行语音合成处理得到合成语音；

基于说话人分类网络对所述合成语音进行情感识别得到第一特征向量；

基于说话人分类网络对所述文本数据对应的真人语音进行情感识别得到第二特征向量；

将所述第一特征向量和所述第二特征向量进行比较，基于比较结果对所述初始语音合成模型的网络参数进行更新处理得到目标语音合成模型。

可选地，所述基于说话人分类网络对所述合成语音数据进行情感识别得到第一特征向量，包括：

获取所述合成语音的第一梅尔频谱；

基于所述说话人分类网路对所述第一梅尔频谱进行情感识别得到所述第一特征向量。

可选地，所述基于说话人分类网络对所述文本数据对应的真人语音进行情感识别得到第二特征向量，包括：

获取所述真人语音的第二梅尔频谱；

基于所述说话人分类网路对所述第二梅尔频谱进行情感识别得到所述第二特征向量。

可选地，所述基于语音合成模型对所述文本数据进行语音合成处理得到合成语音，包括：

将所述文本数据转换成至少一个音素序列；

基于初始语音合成模型对所述至少一个音素序列进行语音合成处理得到所述文本数据对应的梅尔频谱；

基于所述文本数据对应的梅尔频谱得到所述文本数据对应的合成语音。

可选地，所述初始语音合成模型的训练过程，包括：

获取样本文本数据和样本语音；

对所述样本文本数据进行解码编码处理得到所述样本文本数据对应的梅尔频谱；

计算所述样本文本数据对应的梅尔频谱与所述样本语音对应的梅尔频谱的损失值；

在所述损失值小于或等于预设阈值时生成所述初始语音合成模型。

可选地，所述对所述样本文本数据进行解码编码处理得到所述样本文本数据对应的梅尔频谱，包括：