語音庫自動構建技術的研究.pdf

1、隨著語音合成技術的進步,語音合成系統(tǒng)開始走向大規(guī)模應用的時代。特別是隨著可訓練語音合成技術(TrainableTTS)合成效果的逐步改善,以及該技術適用于嵌入式低存儲空間的特點,極大地推動了語音合成技術的產(chǎn)業(yè)化發(fā)展。同時,語音合成系統(tǒng)對構建語音合成系統(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)常需要重新構建。但是,傳統(tǒng)的語音庫構建方法,也就是人工構建方法,存在周期長、一致性差、耗費資

2、源等缺點,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,一種能夠在短時間內(nèi)且極少人工干預下通過自動訓練的方式構建語音合成系統(tǒng)語音庫,能夠滿足多樣化語音合成需求的技術,有著很高的理論研究及使用價值。對此,本論文在基于HMM的可訓練語音合成系統(tǒng)的語音庫自動構建方面,包括技術框架構建、關鍵技術以及相關技術應用,進行了深入而系統(tǒng)的研究,本論文具體的研究工作和研究成果如下:
　　 首先提出了一個基于音頻分類算

3、法的語音探測技術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,然后通過時長可變隱馬爾科夫模型的Viterbi算法根據(jù)似然值最大化準則將已分類幀組合成段,完成音頻分類。
　　 其次,提出了一個句子自動切分算法。在該算法中,首先通過基于隱馬爾科夫模型的無監(jiān)督的方法訓練音素隱馬爾科夫模型,并通過強制對齊(force

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

5、科夫模型;2)然后通過強制對齊技術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建方法。在該方法中,首先是使用改進的Okapi公式來計算句子分數(shù);然后反復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數(shù)小于某一閾值;最后基于語料庫句子,構建可訓練語音合成系