麥克風自適應(yīng)算法在魯棒語音合成中的研究.pdf

1、目前，當使用基于大規(guī)模語料庫的合成方法時，通常采用高質(zhì)量構(gòu)建的合成語音庫，以此來保證合成語音達到非常理想的狀態(tài)。所以現(xiàn)有的語音庫為了進一步提高合成語音的效果，其創(chuàng)建的要求也在進一步嚴格中。這樣，不僅要擴大存儲空間來適應(yīng)更大規(guī)模的語音庫，而且對錄音環(huán)境的高要求也進一步加重了語音合成的成本問題。
　　 隨著眼下互聯(lián)網(wǎng)的高速發(fā)展，網(wǎng)絡(luò)上可以直接下載到的數(shù)據(jù)資源日益豐富，比如國內(nèi)外各廣播電臺和電視臺的新聞播報，并且其對應(yīng)的文本也非常準確

2、。如何將這些語音資源順利地應(yīng)用于自動語音庫的創(chuàng)建中，必然可以有效降低語音合成的成本。但是，這類易獲得的語音資源大都不是特別干凈，存在錄音條件不連續(xù)，錄音條件多變，存在少量的背景噪聲等等多種因素的干擾。對此，本論文在魯棒語音合成方面進行了相關(guān)研究，根據(jù)目前語音識別中流行的抗噪聲技術(shù)，針對網(wǎng)絡(luò)語音庫存在的噪聲問題做出了系統(tǒng)的分析，提出了麥克風自適應(yīng)算法來有效提高合成語音的質(zhì)量，具體的工作和研究成果如下。
　　 1)全面的分析了形成噪

3、聲的原因，對網(wǎng)絡(luò)語音庫中存在的主要噪聲情況進行歸類，通過對現(xiàn)行語音識別中已經(jīng)比較成熟的噪聲處理方法的歸納總結(jié)提出，由麥克風因素引起的噪聲主要可以通過倒譜域的特征規(guī)整方法進行處理。研究還發(fā)現(xiàn)，基于HMM(Hidden Markov Model)的統(tǒng)計參數(shù)語音合成方法對噪聲有更好好的魯棒性，深入的討論了這種可訓練參數(shù)的合成系統(tǒng)優(yōu)于單元挑選方法的具體原因。本論文在使用國際上通用的MOS評分方法來對合成系統(tǒng)做出性能評測，由于MOS方法屬于主觀評

4、測，所以本文還參考了MCD值計算頻譜偏移的方法，來客觀的分析噪聲對系統(tǒng)的影響。
　　 2)本論文采用對純凈語音數(shù)據(jù)進行HRTF濾波，來模擬網(wǎng)絡(luò)獲取語音所存在的麥克風因素影響。這是由于如果直接采用網(wǎng)絡(luò)語音進行實驗，可能會存在語音樣本種類單一的問題，不能覆蓋所有可能出現(xiàn)的麥克風噪聲情況;而如果采用極端錄音的方式才模擬訓練數(shù)據(jù)，義會受到太多未知岡素的干擾。所以本文使用了頭相關(guān)傳輸函數(shù)的處理，來模擬網(wǎng)絡(luò)語音。由于這種方法為純凈語音庫和含

5、噪聲語音庫的訓練數(shù)據(jù)提供了在時長與內(nèi)容的完全一致性，所以可以更好的比較兩種語音庫合成語音的效果，分析噪聲對合成語音造成的相關(guān)影響。本文共創(chuàng)建了兩個含噪聲語音庫，它們的區(qū)別在于包含麥克風影響參數(shù)的個數(shù)是不同的，可以觀察到，麥克風因素的增加造成了合成語音自然度的明顯下降。
　　 3)本文提出了一系列的麥克風自適應(yīng)算法來解決含噪聲語音庫的合成效果下降問題。實驗表明，最終HTS系統(tǒng)合成語音的MOS評分和MCD結(jié)果基本一致，在經(jīng)過自適應(yīng)算