[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

说明书

本公开是关于一种语音合成模型的训练方法、装置、电子设备和存储介质。该方法包括：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；以及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；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。本实施例中前端模型可以对待识别文本进行预处理且目标模型可以将预处理后的文本转换成目标音频，可以适用于需要语音的业务场景，提升使用体验。

技术领域

本公开涉及语音合成技术领域，尤其涉及一种语音合成模型的训练方法、装置、电子设备和存储介质。

背景技术

随着智能化设备的普及以及语音识别技术的发展，人们的交互方式已经慢慢从传统的文本转向了更人性化的语音交互方式。语音合成技术能够让机器拥有人类的声音，改变了传统的文字交互方式。

发明内容

本公开提供一种语音合成模型的训练方法、装置、电子设备和存储介质，以解决相关技术的不足。

根据本公开实施例的第一方面，提供一种语音合成模型的训练方法，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；以及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；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。

可选地，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。

可选地，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。

可选地，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

可选地，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；