[发明专利]一种语音合成方法、装置、电子设备及存储介质

权利要求书

1.一种语音合成方法，其特征在于，包括：

获取目标说话人训练数据，并提取目标说话人音色特征；

在用于对预训练语音合成模型进行训练的预训练数据中筛选与目标说话人的相似说话人音色特征；

将训练好的预训练语音合成模型的模型参数加载至finetune语音合成模型；

采用相似说话人音色特征与目标说话人音色特征共同训练finetune语音合成模型；

将待合成文本输入训练好的finetune语音合成模型进行语音合成任务。

2.根据权利要求1所述的语音合成方法，其特征在于，所述预训练语音合成模型为：

由包含有多个说话人训练数据的预训练数据所训练的预训练多人语音合成模型。

3.根据权利要求1所述的语音合成方法，其特征在于，所述finetune语音合成模型为：

由包含有一个目标说话人训练数据的目标说话人训练数据所训练的finetune单人语音合成模型；

或者，由包含有多个目标说话人训练数据的目标说话人训练数据所训练的finetune多人语音合成模型。

4.根据权利要求3所述的语音合成方法，其特征在于，在所述finetune语音合成模型为finetune多人语音合成模型时，所述在用于对预训练语音合成模型进行训练的预训练数据中筛选与目标说话人的相似说话人音色特征，包括：

在所述预训练数据中的N个说话人音色特征中分别筛选M个目标说话人的相似说话人音色特征，包括：

将所述N个说话人音色特征进行特征平均化处理后的平均音色特征分别作为M个目标说话人的相似说话人音色特征；

或者，在所述预训练数据中的N个说话人音色特征中任意选取M个说话人音色特征作为M个目标说话人的相似说话人音色特征；

或者，计算预训练数据中N个说话人与M个目标说话人音色相似度，分别将与M个目标说话人的音色相似度最大的说话人音色特征作为M个目标说话人的相似说话人音色特征。

5.根据权利要求4所述的语音合成方法，其特征在于，所述计算预训练数据中N个说话人与M个目标说话人音色相似度，包括：

分别计算预训练数据中N个说话人与M个目标说话人的音色距离作为音色相似度；

或者，分别计算预训练数据中N个说话人的音色特征与M个目标说话人的音色特征之间的余弦相似度作为音色相似度。

6.一种语音合成装置，其特征在于，包括：

目标说话人训练数据获取模块，用于获取目标说话人训练数据；

目标说话人音色特征提取模块，用于提取目标说话人音色特征；

相似说话人音色特征获取模块，用于在用于对预训练语音合成模型进行训练的预训练数据中筛选与目标说话人的相似说话人音色特征；

加载模块，用于将训练好的预训练语音合成模型的模型参数加载至finetune语音合成模型；

finetune语音合成模型训练模块，用于采用相似说话人音色特征与目标说话人音色特征对finetune语音合成模型进行finetune训练；

合成任务执行模块，用于将待合成文本输入训练好的finetune语音合成模型进行语音合成任务。