基于层次化情感分布的语音合成方法、装置、设备及介质

本发明涉及人工智能技术领域，公开了一种基于层次化情感分布的语音合成方法，通过获取音频数据和文本转录，分割音频为音素、词语和句子级别的语音单元，提取音高、语速和节奏等声学特征，利用预训练模型生成情感分布向量，处理文本转录生成文本嵌入信息，将情感分布向量、文本嵌入信息和声学特征相结合，通过变量转换器生成韵律特征，解码器基于韵律特征生成梅尔频谱图，声码器将梅尔频谱图转换为时域音频信号并输出。本发明通过层次化地分割音频数据为音素、词语和句子级别，并结合声学特征、情感分布向量和文本嵌入信息，利用变量转换器生成韵律特征，从而实现对情感表达的精细控制，显著提高了语音合成的自然度和情感表现力。