[发明专利]语音合成模型的训练方法、装置、设备及存储介质

权利要求书

1.一种语音合成模型的训练方法，其特征在于，包括：

构建语音合成模型，所述语音合成模型的网络结构包括第一可逆层以及至少一个第二可逆层，所述第一可逆层包括可逆卷积模块和仿射耦合模块，所述第二可逆层包括仿射耦合模块；

获取音频数据，根据所述语音合成模型的网络结构对所述音频数据进行分解处理，得到与各层对应的子音频数据；

将各所述子音频数据依次输入所述语音合成模型中，输出各层与所述子音频数据对应的预测值；

根据各层的所述预测值计算损失函数，利用所述损失函数对所述语音合成模型进行训练，直至所述损失函数收敛，得到训练好的语音合成模型。

2.根据权利要求1所述的训练方法，其特征在于，所述获取音频数据，根据所述语音合成模型的网络结构对所述音频数据进行分解处理，得到与各层对应的子音频数据包括：

统计所述语音合成模型的网络结构中的层数；

将所述音频数据的采样点按照所述层数进行分解并按照预设间隔选取所述采样点，形成采样点集，得到与各模块对应的子音频数据。

3.根据权利要求1所述的训练方法，其特征在于，所述将各所述子音频数据依次输入所述语音合成模型中，输出各层与所述子音频数据对应的预测值包括：

将与所述第一可逆层对应的所述子音频数据输入所述语音合成模型中，在所述第一可逆层中，通过所述可逆卷积模块对输入的所述子音频数据进行通道混合处理，通过仿射耦合模块对所述可逆卷积模块的输出分别进行仿射变换处理和特征提取处理，对应输出第一预测值和第一隐变量；

将与所述第二可逆层对应的所述子音频数据输入所述语音合成模型中，通过仿射耦合模块对输入数据分别进行仿射变换处理和特征提取处理，对应输出第二预测值和第二隐变量。

4.根据权利要求3所述的训练方法，其特征在于，所述将与所述第二可逆层对应的所述子音频数据输入所述语音合成模型中，通过仿射耦合模块对输入数据分别进行仿射变换处理和特征提取处理，对应输出第二预测值和第二隐变量包括：

在输入与所述第二可逆层对应的所述子音频数据时，将当前所述第二可逆层对应的所述子音频数据、上一层输入的所述子音频数据、上一层输出的隐变量作为当前所述第二可逆层的输入数据，通过所述第二可逆层输出与当前所述第二可逆层对应的第二预测值和第二隐变量。

5.根据权利要求4所述的训练方法，其特征在于，所述在输入与所述第二可逆层对应的所述子音频数据时，将当前所述第二可逆层对应的所述子音频数据、上一层输入的所述子音频数据、上一层输出的隐变量作为当前所述第二可逆层的输入数据，通过所述第二可逆层输出与当前所述第二可逆层对应的第二预测值和第二隐变量包括：

在与所述第一可逆层直接相连的第二可逆层中，将与所述第二可逆层对应的所述子音频数据、所述第一可逆层输入的所述子音频数据、所述第一可逆层输出的所述第一隐变量作为所述第二可逆层的输入数据，通过所述第二可逆层输出对应的第二预测值和第二隐变量。

6.根据权利要求5所述的训练方法，其特征在于，所述在输入与所述第二可逆层对应的所述子音频数据时，将当前所述第二可逆层对应的所述子音频数据、上一层输入的所述子音频数据、上一层输出的隐变量作为当前所述第二可逆层的输入，通过所述第二可逆层输出与当前所述第二可逆层对应的第二预测值和第二隐变量包括：

在不与所述第一可逆层直接相连的第二可逆层中，将当前所述第二可逆层对应的所述子音频数据、上一第二可逆层输入的所述子音频数据、上一第二可逆层输出的所述第二隐变量作为当前所述第二可逆层的输入数据，通过当前所述第二可逆层输出对应的第二预测值和第二隐变量。

7.根据权利要求1所述的训练方法，其特征在于，所述方法还包括：

当利用训练好的所述语音合成模型进行实际预测时，获取待处理的文本对应的所述特征谱；

将所述特征谱输入所述语音合成模型中，将各层的输出进行拼接处理，得到与所述待处理的文本对应的目标音频；

将所述目标音频作为训练所述语音合成模型的音频数据，优化所述语音合成模型。