基于潜在扩散模型的语音合成方法、装置、服务器及介质

本申请实施例提供一种基于潜在扩散模型的语音合成方法、装置、服务器及存储介质，该方法包括：获取待合成的目标文本；根据目标文本，确定语音情感特征和目标时长信息；通过预设的目标语音合成模型中的神经网络音频编码器，对目标文本进行编码处理，得到第一隐向量；通过残差向量量化器，对第一隐向量进行量化压缩处理，得到第二隐向量；对语音情感特征的向量表示、目标时长信息的向量表示和第二隐向量进行融合处理，得到融合隐向量；通过潜在扩散模型，对融合隐向量进行逆向扩散处理，得到目标隐向量；通过神经网络音频解码器，对目标隐向量进行解码处理，得到合成语音。本申请提高了合成语音的自然度和质量，使得合成语音更加贴近真实的语音。