一种基于多分片的录音合成方法及系统

本发明公开了一种基于多分片的录音合成方法及系统；本发明涉及语音合成技术领域；步骤S1，音频可视化：将多分片音频的多个录音片段的总的音频信号转换为音频图像AI，例如声谱图或梅尔频率倒谱系数图，并将音频图像AI作为YOLOv3算法的输入。步骤S2，特征提取：使用YOLOv3算法对转换后的音频图像AI进行特征提取；提取的特征包括与音频波形w和节奏模式r；本发明通过使用Darknet‑53深度卷积神经网络对音频特征进行非线性变换和卷积操作，该方案能够提取更高层次的音频特征，从而更准确地判断音频片段的同步状态。在合成多分片音频时，各个片段在时间和节奏上的同步更加精确，减少了不同步带来的音质问题。