[发明专利]一种语音合成方法、装置、电子设备和存储介质

权利要求书

1.一种语音合成方法，其特征在于，包括：

确定待合成文本；

将所述待合成文本输入至语音合成模型中，得到所述语音合成模型输出的合成结果；所述语音合成模型是在用于提取文本特征的语言模型的基础上，通过样本文本及其对应的样本语音，联合基于所述文本特征的说话人识别模型对抗训练得到的。

2.根据权利要求1所述的语音合成方法，其特征在于，所述将所述待合成文本输入至语音合成模型中，得到所述语音合成模型输出的合成结果，包括：

将所述待合成文本输入至所述语音合成模型的文本编码层，得到所述文本编码层输出的文本特征；所述文本编码层是基于所述语言模型建立的；

将所述文本特征，或者将所述文本特征，以及目标声纹特征和/或目标语种特征输入至所述语音合成模型的解码层，得到所述解码层输出的合成结果。

3.根据权利要求2所述的语音合成方法，其特征在于，所述文本编码层是与所述说话人识别模型对抗训练得到的，所述说话人识别模型用于对对抗文本特征进行说话人识别，所述对抗文本特征是对所述文本编码层的输出进行梯度反转得到的。

4.根据权利要求2所述的语音合成方法，其特征在于，所述文本编码层包括多层卷积结构及与之串联的语言编码层，所述语言编码层的结构与所述语言模型的结构一致。

5.根据权利要求2所述的语音合成方法，其特征在于，所述将所述文本特征，或者将所述文本特征，以及目标声纹特征和/或目标语种特征输入至所述语音合成模型的解码层，得到所述解码层输出的合成结果，包括：

将所述文本特征，或者将所述文本特征，以及所述目标声纹特征和/或目标语种特征输入至所述解码层的融合解码层，得到所述融合解码层输出的多个融合声学特征，每个融合声学特征对应预设数量个语音帧，所述预设数量为大于1的整数；

将所述文本特征和所述多个融合声学特征，或者将所述文本特征和所述多个融合声学特征，以及所述目标声纹特征和/或目标语种特征输入至所述解码层的通用解码层，得到所述通用解码层输出的所述合成结果。

6.根据权利要求5所述的语音合成方法，其特征在于，所述语音合成模型的损失函数是基于合成结果的损失值和融合声学特征的损失值，或者基于所述合成结果的损失值、所述融合声学特征的损失值以及目标声纹特征的损失值确定的。

7.根据权利要求2至6中任一项所述的语音合成方法，其特征在于，所述目标声纹特征是基于如下步骤确定的：

将目标说话人语音输入至声纹模型，得到所述声纹模型输出的所述目标声纹特征；

所述声纹模型是与语种识别模型对抗训练得到的，所述语种识别模型用于对对抗声纹特征进行语种识别，所述对抗声纹特征是对所述声纹模型的输出进行梯度反转得到的。

8.一种语音合成装置，其特征在于，包括：

文本确定单元，用于确定待合成文本；

语音合成单元，用于将所述待合成文本输入至语音合成模型中，得到所述语音合成模型输出的合成结果；所述语音合成模型是在用于提取文本特征的语言模型的基础上，通过样本文本及其对应的样本语音,联合基于所述文本特征的说话人识别模型对抗训练得到的。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述语音合成方法的步骤。

10.一种非暂态计算机可读存储介质，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如权利要求1至7任一项所述语音合成方法的步骤。