一种语音合成方法、装置、设备及介质

本申请属于人工智能领域，涉及一种语音合成方法，包括：获取待合成语音的文本与表征目标情感的参考音频；采用情感编码模型，对参考音频进行特征提取，构建描述目标情感的目标三维情感坐标；对目标三维情感坐标进行坐标转换处理，得到描述目标情感的目标球面情感坐标；采用情感编码器，对目标球面情感坐标进行编码转换，得到描述目标情感的目标情感嵌入向量；采用语音合成模型，对文本与目标情感嵌入向量进行融合，生成具有文本的语义和目标情感的目标合成语音。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，文本、参考音频以及目标合成语音可存储于区块链中。本申请可以实现在语音合成中对情感表达的更为精细和灵活的控制。