[发明专利]语音合成模型的训练方法、装置、电子设备和存储介质

权利要求书

1.一种语音合成模型的训练方法，其特征在于，所述方法包括：

获取第一训练数据和第二训练数据，所述第一训练数据用于训练第一预设模型，所述第二训练数据用于训练第二预设模型；

利用所述第一训练数据训练所述第一预设模型，获得第一模型；

利用所述第二训练数据训练所述第二预设模型，获得前端模型；

基于所述第一模型构建目标模型；

基于所述目标模型和所述前端模型构建语音合成模型，其中，所述语音合成模型用于对待合成文本进行语音合成以获得目标音频。

2.根据权利要求1所述的方法，其特征在于，所述第一训练数据包括第一原始数据及其对应的标注标签；所述第一原始数据包括第一原始文本和根据所述第一原始文本生成的语音数据，所述第一原始数据对应的标注标签包括以下至少一种：声调标签、韵律标签、拟人化标签和情感分类标签。

3.根据权利要求1或2所述的方法，其特征在于，获取第一训练数据，包括：

获取第一原始文本和所述第一原始文本对应的语音数据，得到第一原始数据；

根据所述第一原始文本对应的语音数据对所述第一原始文本进行标注，获得所述第一原始文本对应的标注标签；

将所述第一原始数据及其对应的标注标签作为第一训练数据。

4.根据权利要求3所述的方法，其特征在于，所述第一原始文本包括第一文本、第二文本和第三文本；所述第一文本是音素数量超过音素数量阈值的文本，所述第二文本是语气词文本，所述第三文本是表征满足拟人化异常发音要求的文本。

5.根据权利要求1所述的方法，其特征在于，利用所述第一训练数据训练所述第一预设模型，获得第一模型，包括：

对所述第一训练数据进行预处理，获得预处理数据；

基于所述第一训练数据中的标注标签和所述预处理数据获取所述第一预设模型的第一输入数据；以及根据所述预处理数据获取所述第一预设模型的第二输入数据、第三输入数据和第四输入数据；所述第一输入数据是指按照设定顺序排序预处理数据和标注标签得到的数据；所述第二输入数据是指对所述预处理数据中音素发音帧数求Log对数得到的数据；所述第三输入数据是指将所述音素发音帧数转换成的目标对齐矩阵；所述第四输入数据是指所述预处理数据的梅尔幅度谱参数；

将所述第一输入数据输入到所述第一预设模型，获得所述第一预设模型输出的第一输出数据、第二输出数据、第三输出数据和第四输出数据；

基于所述第一输入数据、所述第二输入数据、所述第三输入数据、所述第四输入数据、所述第一输出数据、所述第二输出数据、所述第三输出数据和所述第四输出数据获取所述第一预设模型对应损失函数的损失值；

当所述损失值超过预设的第一损失值阈值时，按照预设调整方式调整所述第一预设模型的各个参数，直至所述损失值小于所述第一损失值阈值时停止训练，得到所述第一模型。

6.根据权利要求5所述的方法，其特征在于，基于所述第一训练数据中的标注标签和所述预处理数据获取所述第一预设模型的第一输入数据，包括：

将所述预处理数据和所述标注标签按照设定顺序排列，形成第一输入数据。

7.根据权利要求5所述的方法，其特征在于，根据所述预处理数据获取所述第一预设模型的第二输入数据、第三输入数据和第四输入数据，包括：

对所述预处理数据中音素发音帧数进行求Log对数，获得第二输入数据；

将所述音素发音帧数转换成目标对齐矩阵，获得第三输入数据；

获取所述预处理数据中的梅尔幅度谱参数，获得第四输入数据。