基于神经网络转换器的语音合成方法及其装置、电子设备

本发明公开了一种基于神经网络转换器的语音合成方法及其装置、电子设备，涉及音频合成领域或其他相关技术领域，其中，该方法包括：将语音输入文本输入至编码器，通过编码器进行文本转换，输出文本表示，使用嵌入转换器将预设参考音频转化为讲话人嵌入变量，嵌入转换器用于模拟目标客户的真实通话声音特性，根据讲话人嵌入变量预测特定层的音频代码，生成预测音频代码，将文本表示与预测音频代码进行迭代对齐，每个语音输入文本对应有唯一匹配的预测音频代码；基于对齐结果，利用预测网络的首层音频代码输出最终预测语音。本发明解决了相关技术中合成的语音中容易出现跳音和不发音的情况，导致合成的语音缺乏变化和自然感的技术问题。