北京陌陌信息技术有限公司

本发明公开了一种语音生成模型训练方法，涉及语音合成领域，包括将目标文本输入上下文语义分析模型生成带标签文本，将带标签文本划分为多个文本片段，通过教师语音模型和参考语音得到各文本片段对应的多个候选语音，根据多个候选语音确定偏好样本，并通过无标签的目标文本确定非偏好样本，将偏好样本和非偏好样本转换为对应的离散词元序列，基于离散语音词元序列和带标签文本，对目标语音生成模型进行监督训练和偏好训练；在强化优化阶段，将同一带标签文本和参考语音输入训练后的目标语音生成模型生成多个候选语音序列，采用组相对策略优化方法进一步更新目标语音生成模型。本发明无需人工标注即可实现精准词级韵律控制并保持自然度。