模型训练、语音合成方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术提供一种模型训练、语音合成方法、装置、电子设备和存储介质，模型训练方法包括：获取生成模型输出的重建声学特征，并提取所述重建声学特征的重建周期性特征；将所述重建周期性特征输入至判别模型中，得到所述判别模型输出的所述重建周期性特征的真伪判别结果；基于所述真伪判别结果，对所述生成模型和所述判别模型进行对抗训练，将训练所得的生成模型作为声学模型。本发明专利技术提供的方法、装置、电子设备和存储介质，显式地将能够反映音色的周期性特征作为优化目标，由此使得对抗训练使得的生成模型在应用于语音合成时，合成语音的音色自然度和逼真度更高。

【技术实现步骤摘要】

本专利技术涉及人工智能，尤其涉及一种模型训练、语音合成方法、装置、电子设备和存储介质。

技术介绍

1、随着人工智能技术的发展，语音合成已经从最初简单的文本到语音的转换（text-to-speech，tts）发展为侧重复杂情感表达和个性化音色生成的合成技术。如何准确重建和模仿特定音色，成为了语音合成技术的一个重要挑战。

2、由于每个人的发音习惯和语音特征都不尽相同，因此很难找到一种通用的方法来模拟所有的音色。即使能够模拟出特定的音色，也很难保证其自然度和真实感。目前的语音合成方案中通常是将音色、韵律、内容等信息混合一起进行约束训练，这也导致了音色重建的自然度不及预期。

技术实现思路

1、本专利技术提供一种模型训练、语音合成方法、装置、电子设备和存储介质，用以解决相关技术中语音合成的音色自然度不符合预期的缺陷。

2、本专利技术提供一种模型训练方法，包括：

3、获取生成模型输出的重建声学特征，并提取所述重建声学特征的重建周期性特征；

4、将所述重建周期性特征输入至判别本文档来自技高网...

【技术保护点】

1.一种模型训练方法，其特征在于，包括：

2.根据权利要求1所述的模型训练方法，其特征在于，所述提取所述重建声学特征的重建周期性特征，包括：

3.根据权利要求2所述的模型训练方法，其特征在于，所述多个周期成分为多个以质数为基础的周期成分。

4.根据权利要求2所述的模型训练方法，其特征在于，所述提取所述重建声学特征在多个周期成分下的重建周期性特征，包括：

5.根据权利要求1至4中任一项所述模型训练方法，其特征在于，所述基于所述真伪判别结果，对所述生成模型和所述判别模型进行对抗训练，包括：

6.根据权利要求5所述的模型训练方法，其特...

【技术特征摘要】

1.一种模型训练方法，其特征在于，包括：

2.根据权利要求1所述的模型训练方法，其特征在于，所述提取所述重建声学特征的重建周期性特征，包括：

3.根据权利要求2所述的模型训练方法，其特征在于，所述多个周期成分为多个以质数为基础的周期成分。

4.根据权利要求2所述的模型训练方法，其特征在于，所述提取所述重建声学特征在多个周期成分下的重建周期性特征，包括：

5.根据权利要求1至4中任一项所述模型训练方法，其特征在于，所述基于所述真伪判别结果，对所述生成模型和所述判别模型进行对抗训练，包括：

6.根据权利要求5所述的模型训练方法，其特征在于，所述基于真实周期性特征的真伪判别结果、以及所述重建周期性特征的真伪判别结果，对所述生成模型和所述判别模型进行对抗训练，包括：

...

【专利技术属性】
技术研发人员：童永生，孟廷，伍宏传，
申请(专利权)人：安徽讯飞寰语科技有限公司，
类型：发明
国别省市：