[发明专利]语音合成模型的训练方法、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，包括：

训练一个无情感输入的声学模型，其中，在所述声学模型的训练过程中用到了一种扩散过程，所述声学模型的训练目标为对于所述扩散过程中的任何中间时刻，估计数据分布的对数梯度；

训练一个情感分类器，其中，所述情感分类器的输入至少包括所述扩散过程中的某一中间时刻对应的对数梯度；

使用软标签指导技术进行情感可控的语音合成采样，其中，所述扩散过程对应于所述语音合成采样的反向去噪过程，所述反向去噪过程的梯度项为语音合成模型估计的目标，软标签指导项在数学上等同于交叉熵，其一边为所述情感分类器的输出，另一边为目标情感强度所对应的分布。

2.根据权利要求1所述的方法，其中，所述情感分类器在训练的过程中冻结了声学模型参数，只更新了情感分类器的权重。

3.根据权利要求1所述的方法，其中，所述情感分类器使用标准的交叉熵损失LCE来训练。

4.根据权利要求1所述的方法，其中，所述声学模型通过训练学习如何从给定的文本、给定的延续时长序列中生成逼真的梅尔频谱，所述情感分类器的输入还包括与所述给定的文本相关的表征和与所述给定的文本相关的持续时间。

5.根据权利要求1所述的方法，其中，所述扩散过程采用去噪扩散模型，所述去噪扩散模型在模型权重上使用指数移动平均数。

6.一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述方法的步骤。

7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。