[发明专利]语音合成模型训练方法、装置、计算机设备及存储介质

说明书

本发明涉及人工智能技术领域，本发明公开了一种语音合成模型训练方法、装置、计算机设备及存储介质。通过获取原始文本数据和说话人标识，并对原始文本数据进行处理后，获取原始文本向量及对应的原始音素向量，通过对原始文本向量和原始音素向量进行特征增强处理，以得到向量更为显著目标文本向量和目标音调向量；基于说话人标识，获取对应的目标声纹向量，将目标声纹向量、目标文本向量和目标音调向量进行拼接，利用拼接后的目标隐向量对语音合成模型进行训练，以获取说话人标识对应的目标语音合成模型，从而提高更新后的目标语音合成模型所合成语音数据与说话人的声纹相似度，增加目标语音合成模型的拟人化程度。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种语音合成模型训练方法、装置、计算机设备及存储介质。

背景技术

语音合成是将输入的文本序列转换成对应的自然语音发音，是人机交互过程中重要的语音处理任务。近些年基于深度神经网络的语音合成技术已经取得了显著的合成效果，随着人工智能产业的飞速发展，语音合成系统也得到了更加广泛的应用，人们从语音合成初期要求的清晰度、可懂度以外，对语音合成的自然度、节奏感以及音质的要求也越来越高。

使用深度模型进行语音合成需要考虑文本和对应的语音，通常在模型训练过程中需要大量的训练数据，覆盖到所有的文本发音可能。而在个性化定制语音合成模型时往往无法提供大量的语音文本配对数据，具有定制化需求的用户通常能够在可接受范围内提供5分钟至30分钟的成对音频数据录制，而在数据量较小的情况下训练深度模型进行语音合成就使得合成的挑战大大增加，很难合成出发音完整且自然地个性化语音。现有技术中，通过尝试采用微调的方法对在大数据集上已经训练好的语音利用语音说话人的少量数据进行参数调优，但合成的音频效果声纹与语音说话人的声纹相似度偏低，语音合成模型所生成语音仍存在拟人化程度较低的问题。

发明内容

本发明实施例提供一种语音合成模型训练方法、装置、计算机设备及存储介质，解决现有语音合成模型所生成语音存在拟人化程度较低的问题。

本发明实施例提供了一种语音合成模型训练方法，包括：

获取原始文本数据和说话人标识；

根据所述原始文本数据，获取原始文本向量和原始音素向量；

对所述原始文本向量进行文本增强处理，获取目标文本向量；

对所述原始音素向量进行音调增强处理，获取目标音调向量；

基于所述说话人标识，获取所述说话人标识对应的目标声纹向量；

对所述目标文本向量、所述目标音调向量和所述目标声纹向量进行拼接处理，获取目标隐向量；

根据所述目标隐向量进行语音合成模型训练，获取所述说话人标识对应的目标语音合成模型。

本发明实施例还提供了一种语音合成模型训练装置，包括：

原始文本数据获取模块，获取原始文本数据和说话人标识；

原始文本数据处理模块，根据所述原始文本数据，获取原始文本向量和原始音素向量；

目标文本向量获取模块，对所述原始文本向量进行文本增强处理，获取目标文本向量；

目标音调向量获取模块，对所述原始音素向量进行音调增强处理，获取目标音调向量；

目标声纹向量获取模块，基于所述说话人标识，获取所述说话人标识对应的目标声纹向量；

目标隐向量获取模块，对所述目标文本向量、所述目标音调向量和所述目标声纹向量进行拼接处理，获取目标隐向量；

音合成模型获取模块，根据所述目标隐向量进行语音合成模型训练，获取所述说话人标识对应的目标语音合成模型。