[发明专利]语音合成方法、装置、设备及存储介质

权利要求书

1.一种语音合成方法，其特征在于，所述语音合成方法包括：

获取初始文本，对所述初始文本进行预处理，得到预处理文本，调用预置的字素转音素模型和预置的映射词典，对所述预处理文本进行转换，得到音节序列；

获取训练文本，基于所述训练文本和预置的模型无关元学习算法，对预置的声学模型进行优化，得到优化后的声学模型，所述预置的声学模型为神经网络语音合成模型；

调用所述优化后的声学模型，对所述音节序列进行编码处理和解码处理，得到梅尔频谱序列；

通过预置的声码器，对所述梅尔频谱序列进行频谱分析，得到目标语音。

2.根据权利要求1所述的语音合成方法，其特征在于，所述获取初始文本，对所述初始文本进行预处理，得到预处理文本，调用预置的字素转音素模型和预置的映射词典，对所述预处理文本进行转换，得到音节序列包括：

获取初始文本，对所述初始文本进行缺失值补全、异常值过滤和重复值过滤，得到预处理文本；

调用预置的文本分词工具，对所述预处理文本进行分词处理，得到分词文本；

通过预置的字素转音素模型和预置的映射词典，对所述分词文本进行映射转换，得到音节序列，所述音节序列包括声母序列、韵母序列和所述韵母序列对应的声调。

3.根据权利要求1所述的语音合成方法，其特征在于，所述获取训练文本，基于所述训练文本和预置的模型无关元学习算法，对预置的声学模型进行优化，得到优化后的声学模型，所述预置的声学模型为神经网络语音合成模型包括：

获取训练文本，所述训练文本包括多个子文本，每一个子文本包括训练集文本和测试集文本；

获取预置的声学模型的参数，通过所述训练文本和预置的模型无关元学习算法，计算所述声学模型的损失函数，得到模型损失函数，所述预置的声学模型为神经网络语音合成模型；

基于所述模型损失函数求所述声学模型的参数对应的偏导数，得到参数偏导数；

基于所述参数偏导数，通过预置的梯度下降法对所述预置的声学模型的所述参数进行更新，得到优化后的声学模型。

4.根据权利要求1所述的语音合成方法，其特征在于，所述调用所述优化后的声学模型，对所述音节序列进行编码处理和解码处理，得到梅尔频谱序列包括：

调用所述优化后的声学模型中的编码器，基于预设的字符嵌入层、三卷积层和编码长短期记忆网络，对所述音节序列进行编码运算，得到编码特征；

调用所述优化后的声学模型中的解码器，对所述编码特征进行基于注意力机制的解码运算，得到梅尔频谱序列。

5.根据权利要求4所述的语音合成方法，其特征在于，所述调用所述优化后的声学模型中的编码器，基于预设的字符嵌入层、三卷积层和编码长短期记忆网络，对所述音节序列进行编码运算，得到编码特征包括：

调用所述优化后的声学模型中的编码器，基于预设的字符嵌入层，将所述音节序列转换为预设维度的字符向量，得到编码字符向量；

通过预设的三卷积层，对所述编码字符向量进行归一化处理，得到卷积向量，调用预置的激活函数激活所述卷积向量，得到激活向量；

通过预设的编码长短期记忆网络对所述激活向量进行预测，得到编码特征，所述编码长短期记忆网络为双向的编码长短期记忆网络。

6.根据权利要求1所述的语音合成方法，其特征在于，所述通过预置的声码器，对所述梅尔频谱序列进行频谱分析，得到目标语音包括：

调用预置的声码器中的反卷积层，对所述梅尔频谱序列进行上采样，得到初始音频波形，所述初始音频波形的采样速率与预设的波形采样速率匹配；

对所述初始音频波形进行去加重处理，得到目标音频波形，将所述目标音频波形进行拼接，得到目标语音。