基于統(tǒng)計(jì)模型的漢語歌聲合成研究.pdf

1、所謂歌聲是指人類有意識(shí)地通過控制自身聲帶的振動(dòng)和口腔、鼻腔等發(fā)音器官的形變而發(fā)出的有樂感的聲音，而歌聲合成則是指利用語音合成相關(guān)技術(shù)讓計(jì)算機(jī)合成出模擬人的歌唱聲。隨著基于統(tǒng)計(jì)模型的語音合成技術(shù)的快速發(fā)展和逐漸成熟，尤其基于隱馬爾科夫模型的方法取得了最多的關(guān)注和最為充分的進(jìn)展。2006年左右上述基于統(tǒng)計(jì)模型的語音合成技術(shù)開始被用于歌聲合成，并取得了不錯(cuò)的結(jié)果。由于所述方法具有所需語料數(shù)據(jù)少、語料標(biāo)注的自動(dòng)化程度高等諸多優(yōu)點(diǎn)，使其的可用性大

2、大增加，引起了眾多學(xué)者的廣泛關(guān)注。
　　本文以歌聲合成為主要研究目標(biāo)，重點(diǎn)研究基于統(tǒng)計(jì)模型的歌聲合成算法，并在此基礎(chǔ)上構(gòu)建一個(gè)可以從輸入樂譜、歌詞和歌唱人的個(gè)性化歌唱特征直接輸出個(gè)性化歌聲的歌聲合成系統(tǒng)。
　　本文的主要貢獻(xiàn)和創(chuàng)新點(diǎn)如下:
　　1.為了給個(gè)性化歌聲合成提供充分和優(yōu)質(zhì)的歌聲數(shù)據(jù)，自主設(shè)計(jì)了歌聲錄制方案，并依據(jù)該方案錄制了包含210張樂譜，共132分鐘的歌聲數(shù)據(jù)庫(kù)，為構(gòu)建歌唱合成系統(tǒng)奠定了可靠的數(shù)據(jù)基礎(chǔ)。<

3、br>　　2.以上述歌聲數(shù)據(jù)庫(kù)為基礎(chǔ)，利用基于統(tǒng)計(jì)模型的語音合成相關(guān)技術(shù)構(gòu)建了一套完整的歌聲合成系統(tǒng)。所構(gòu)建的系統(tǒng)能夠合成出適度音強(qiáng)、精準(zhǔn)音高和節(jié)奏以及個(gè)性化音色的歌唱聲。對(duì)比實(shí)驗(yàn)結(jié)果表明，利用本文方法所合成的歌聲在質(zhì)量和表現(xiàn)力上均取得了與目前世界上公認(rèn)最好的參數(shù)合成法（日語）相當(dāng)?shù)慕Y(jié)果。
　　3.結(jié)合歌聲的基頻的特點(diǎn)，提出了一系列的改進(jìn)的基頻模型。
　　針對(duì)歌聲基頻存在的數(shù)據(jù)稀疏問題，提出了參考樂譜的基頻引導(dǎo)方法。該方法將

4、樂譜中包含的基頻信息引入到歌聲基頻的生成算法中，避免了因數(shù)據(jù)稀疏而造成的合成音高在時(shí)間和頻譜結(jié)構(gòu)上出現(xiàn)偏差的問題，可以合成出與樂譜相一致的具有精準(zhǔn)音高的基頻。
　　對(duì)真實(shí)基頻和樂譜基頻之間可能存在差異的問題進(jìn)行了研究，提出了在訓(xùn)練中也考慮樂譜基頻因素從而準(zhǔn)確得到兩者之間的差值的方法。利用該方法可以得到相比樂譜基頻引導(dǎo)方法更加準(zhǔn)確和真實(shí)的基頻估計(jì)。上述方法也可用于連音符的合成。
　　提出了結(jié)合兩個(gè)不同時(shí)間尺度的統(tǒng)計(jì)模型來合成歌

5、唱基頻的方法。該方法結(jié)合了狀態(tài)與音節(jié)兩個(gè)不同時(shí)間尺度的模型以克服合成歌唱基頻時(shí)存在的過平滑現(xiàn)象，從而合成出表現(xiàn)力更強(qiáng)的基頻。
　　提出了將挑選出的真實(shí)單元進(jìn)行拼接的基頻合成方法。該方法將基頻的形狀曲線和顫音曲線分開處理。其中，顫音以音符為單位進(jìn)行建模，大大提高了所合成顫音的正確性。實(shí)驗(yàn)結(jié)果表明，基于真實(shí)單元的拼接方法可顯著提高所合成基頻的真實(shí)感和表現(xiàn)力。
　　4.提出了基于統(tǒng)計(jì)模型的情感韻律轉(zhuǎn)換方法。該方法可以利用一個(gè)較小的