語音庫自動構(gòu)建技術(shù)的研究.pdf

1、隨著語音合成技術(shù)的進(jìn)步,語音合成系統(tǒng)開始走向大規(guī)模應(yīng)用的時(shí)代。特別是隨著可訓(xùn)練語音合成技術(shù)(TrainableTTS)合成效果的逐步改善,以及該技術(shù)適用于嵌入式低存儲空間的特點(diǎn),極大地推動了語音合成技術(shù)的產(chǎn)業(yè)化發(fā)展。同時(shí),語音合成系統(tǒng)對構(gòu)建語音合成系統(tǒng)的語音庫也提出了更高的要求,特別是在多樣化語音合成方面的需求,如口音上的差異,使得語音合成系統(tǒng)經(jīng)常需要重新構(gòu)建。但是,傳統(tǒng)的語音庫構(gòu)建方法,也就是人工構(gòu)建方法,存在周期長、一致性差、耗費(fèi)資

2、源等缺點(diǎn),并且基于該語音庫的合成系統(tǒng)合成的語音表現(xiàn)力差。
　　 在這種背景下,一種能夠在短時(shí)間內(nèi)且極少人工干預(yù)下通過自動訓(xùn)練的方式構(gòu)建語音合成系統(tǒng)語音庫,能夠滿足多樣化語音合成需求的技術(shù),有著很高的理論研究及使用價(jià)值。對此,本論文在基于HMM的可訓(xùn)練語音合成系統(tǒng)的語音庫自動構(gòu)建方面,包括技術(shù)框架構(gòu)建、關(guān)鍵技術(shù)以及相關(guān)技術(shù)應(yīng)用,進(jìn)行了深入而系統(tǒng)的研究,本論文具體的研究工作和研究成果如下:
　　 首先提出了一個(gè)基于音頻分類算

3、法的語音探測技術(shù)去除帶有音樂的音頻文件,保留純話語音頻。該音頻分類算法融合了高斯混合模型(GMM)和時(shí)長可變隱馬爾科夫模型(VDHMM)。該算法,首先通過高斯混合模型分類音頻的每一幀,然后通過時(shí)長可變隱馬爾科夫模型的Viterbi算法根據(jù)似然值最大化準(zhǔn)則將已分類幀組合成段,完成音頻分類。
　　 其次,提出了一個(gè)句子自動切分算法。在該算法中,首先通過基于隱馬爾科夫模型的無監(jiān)督的方法訓(xùn)練音素隱馬爾科夫模型,并通過強(qiáng)制對齊(force

4、d-alignment)技術(shù)將篇幅的音素序列和篇幅文本對齊;然后根據(jù)句子結(jié)束符號(如句號、問號、感嘆號等)來切分句子;最后通過一個(gè)檢查機(jī)制,來判斷該句子結(jié)束符號是否正確,進(jìn)而獲得被正確切分的句子。
　　 第三,提出了一個(gè)改進(jìn)的句子切分算法。該方法能得到更高的句子切分準(zhǔn)確率,獲得更多的正確切分句子。該改進(jìn)算法基于一個(gè)迭代過程,過程如下:1)根據(jù)正確的句子結(jié)束符號切分篇幅語音獲得段落語音和句子語音,利用該結(jié)果訓(xùn)練更為精確的音素隱馬爾

5、科夫模型;2)然后通過強(qiáng)制對齊技術(shù)將該段落語音和句子語音的音素序列和文本對齊;3)根據(jù)正確的句子結(jié)束符切分該段落語音和句子語音。循環(huán)1-3,直到?jīng)]有更多的段落和句子數(shù)目被切分出來。
　　 此外,提出了在限定文本條件下的語料庫自動構(gòu)建方法。在該方法中,首先是使用改進(jìn)的Okapi公式來計(jì)算句子分?jǐn)?shù);然后反復(fù)地選擇分值較高的句子替換語料庫句子中分值較低的語料庫句子直到語料庫句子分?jǐn)?shù)小于某一閾值;最后基于語料庫句子,構(gòu)建可訓(xùn)練語音合成系