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，公开了一种语音合成方法、装置、设备及介质，包括：获取待合成文本和参考音频；采用滑动窗口算法将待合成文本划分为多个文本段；基于参考音频和预训练的语音合成模型，生成每个文本段对应的音频波形；对每个文本段对应的音频波形进行语音合成，得到目标语音。通过上述方式，采用滑动窗口算法对输入文本进行分割，形成若干段更小、更易管理的文本段，将若干个文本段和参数音频输入语音合成模型，使得语音合成模型基于较短的文本段逐句生成音频，使得模型能够更加专注于每个片段的精确语音和语调细节，确保音频输出的准确性和自然流畅性，解决了由于文本长度超出典型长度参数引起的退化问题，提高语音生成的稳定性。