一种文本转语音的合成方法、装置、设备及介质

本发明涉及数据处理技术领域，公开一种文本转语音的合成方法、装置、设备及介质，可应用于金融、医疗领域，该方法包括利用文本数据生成对应的文本语义向量并生成起始样本点；基于起始样本点进行一致性流匹配建模处理，得到速度场；基于速度场迭代更新起始样本点，生成目标语音表示向量；对目标语音表示向量进行频谱解码处理，并输入至声码器模型，生成对应的语音波形数据。在本发明中，针对现有的TTS模型在低步数推理下语音合成速度慢、一致性差的问题，可以引入一致性流匹配建模技术，在构建速度场的基础上实现起始样本点的低步数迭代更新，同时结合频谱解码与声码器建模过程，如此，提高了语音合成过程中的一致性以及合成速度。