语音合成模型的训练方法、装置、设备及存储介质

本申请实施例提供了一种语音合成模型的训练方法、装置、设备及存储介质，属于人工智能技术领域。该方法包括：获取文本样本的音素序列，以及文本样本的语音的真实声学特征；将音素序列和真实声学特征输入至改进TTS声学模型进行训练；通过OT‑CFM机制，引导常微分方程对音素序列进行声学特征生成处理，得到与文本样本的期望声学特征对齐的预测声学特征；根据对齐的预测声学特征和真实声学特征，对改进TTS声学模型进行参数更新，得到训练好的语音合成模型，训练好的语音合成模型用于合成文本的语音。本申请实施例能够降低训练难度和训练成本，提供具有更快合成速度、更高合成效果的语音合成模型，以提高合成的语音的质量。