语音生成方法、装置、计算机设备及存储介质

本发明公开了一种语音生成方法、装置、计算机设备及存储介质，涉及大模型领域，方法包括：获取多模态音频数据，多模态音频数据包括以下一者或多者：音频数据、文本数据、midi数据、音素数据；对多模态音频数据进行统一量化，得到分别对应于不同模态的至少一个量化序列；根据目标语音生成任务，将至少一个量化序列进行拼接，得到目标量化序列，目标语音生成任务包括以下一者或多者：TTA任务、SVS任务、VC任务、SE任务、TTS任务；将目标量化序列以及条件序列输入预训练的语音生成大模型，生成预测语音序列。无需对多种语音生成任务进行独立建模，可以实现多种语音任务的整合，能有效提升各类语音生成任务的性能上限和鲁棒性。