基于表现力的语音合成方法、系统、电子设备及存储介质

摘要

本发明公开了一种基于表现力的语音合成方法、系统、电子设备及存储介质。该合成系统由预训练后的ASR模型和改进的TTS模型联合组成；ASR模型用于将音频序列转换为文本序列，改进的TTS模型由改进的Tacotron模型和神经声码器组成，改进的Tacotron模型在原始Tacotron模型的基础上添加了共享层和风格编码器；共享层用于将TTS模型和ASR模型整合到一个网络中，风格编码器用于从参考音频中提取风格嵌入信息；神经声码器将声学特征重建音频。本发明提出的表现力语音合成系统有助于提取到理想状态的风格向量，解决了内容泄露的问题，显著提升了语音合成的表现力和准确率。