漢語TTS中的韻律建模與合成方法研究.pdf

1、隨著計算機技術的進步和其他相關學科的發(fā)展，在過去的幾十年間，語音合成技術有了迅猛的發(fā)展，涌現(xiàn)出了大量的新理論和新技術。在現(xiàn)階段，語音合成技術主要是以文語轉換系統(tǒng)(Text-To-Speech，TTS)為研究重點。這是一種將輸入的文本轉換為語音輸出的技術。TTS系統(tǒng)一般由文本分析、韻律控制、語音合成和基元庫四個模塊組成。這四個模塊并不是相互孤立的，每一個模塊的性能都對最終輸出語音的質量有很大的影響。 對合成系統(tǒng)輸出語音音質的評價是

2、多方面的，但主要集中在輸出語音的清晰度，可懂度和自然度這三個方面。當前，TTS系統(tǒng)的輸出語音在清晰度和可懂度方面已經(jīng)達到了比較高的水平，而在語音的整體自然度方面還有待提高。本文主要研究了韻律控制和語音合成這兩個模塊，希望通過對這兩個模塊的研究與改進來提高合成語音的自然度。 韻律控制模塊對合成語音的自然度有很大的影響，對這部分的研究包括多個方面，這里選擇韻律建模作為研究重點。韻律模型可以將一些定性的高層韻律信息轉換為定量的聲學參數(shù)

3、，以便提供給后面的語音合成模塊使用。本文運用人工神經(jīng)網(wǎng)絡技術設計并實現(xiàn)了一個用于預測漢語音節(jié)基頻曲線、時長和停頓的模型。實驗表明，這個模型在一定程度上能夠較好的反映漢語陳述句中音節(jié)的基頻曲線、時長和停頓的變化情況。 語音合成模塊負責最終語音的輸出，現(xiàn)在普遍采用波形拼接技術。在選擇最優(yōu)的合成基元序列的同時，此模塊也需要對其中一些語音波形做適當?shù)男拚?，以使合成語音聽上去更加流暢自然。本文在研究了最優(yōu)基元選擇算法的同時，也研究了一種基