摘要
本发明实施例提供了一种歌声转换系统的训练方法、基于歌声转换系统生成音频的方法及相关装置，用于提升合成后歌声的音色与待转换歌声音色之间的相似度。本发明实施例方法包括：获取第一目标音色的多条参考音频，将多条参考音频输入至音色编码器，得到音色编码向量；将待转换歌声的音素后验概率和基频输入至文本编码器，得到待转换歌声内容的先验分布参数；根据先验分布参数进行采样，得到待转换歌声内容的文本采样值向量；将文本采样值向量和音色编码向量输入至音色感知注意力机制模块，以确定新音色编码向量；将新音色编码向量作为歌声转换系统中所增加的新输入，计算歌声转换系统的重构损失，根据重构损失对歌声转换系统进行训练。
