一种语音生成模型的训练方法、装置、设备及介质

本申请属于人工智能领域，涉及一种语音生成模型的训练方法，包括：获取目标对象的参考音色频谱、音素信息以及语音频谱；基于参考音色频谱、音素信息以及语音频谱，对预设的初始语音生成模型进行训练，得到模型参数；基于模型参数，分别调整初始语音生成模型的多音色特征提取网络、音素特征提取网络、韵律特征离散化网络、时序对齐模块、注意力融合模块、语音重构解码网络的参数，以构建语音生成模型。本申请还提供一种装置、设备及介质。此外，本申请还涉及区块链技术，语音训练数据和模型参数可存储于区块链中。本申请可以实现音色和韵律信息的解耦，灵活调整音色和韵律信息，以生成具有多样性和灵活性的合成语音。