融合發(fā)音運動特征的統(tǒng)計參數(shù)語音合成技術(shù)研究.pdf

1、隨著時代的進步，語音合成技術(shù)也日趨成熟。在幾種主流的語音合成技術(shù)中，統(tǒng)計參數(shù)語音合成(Statistical Parametric Speech Synthesis)擁有可自動快速構(gòu)建、小型化靈活度高等優(yōu)點而被廣泛采用。而作為這個領(lǐng)域的一個新興的熱點方向，融合聲學(xué)參數(shù)與發(fā)音運動參數(shù)的建模與合成技術(shù)通過引入和語音產(chǎn)生機理更加緊密相關(guān)的發(fā)音運動參數(shù)，對原有的聲學(xué)模型結(jié)構(gòu)進行改進，實現(xiàn)了兩種參數(shù)的聯(lián)合建模與生成。本文對上述技術(shù)進行了系統(tǒng)的介紹

2、，并為優(yōu)化發(fā)音運動參數(shù)的生成效果進行了深入的研究。整篇文章的結(jié)構(gòu)安排如下：
　　 論文第一章概括地論述了本文的研究背景。先把幾十年來語音合成技術(shù)從無到有的發(fā)展情況進行了介紹，再簡要地分析了當前幾種常見的語音合成方法。
　　 論文第二章介紹目前廣泛常用的可訓(xùn)練語音合成技術(shù)(Trainable TTS)的基本流程框架，以及在此基礎(chǔ)上形成的融合聲學(xué)參數(shù)與發(fā)音運動參數(shù)的建模與合成技術(shù)，為本文在此項技術(shù)上的改進工作進行鋪墊。

3、>　　 論文第三章主要介紹我們?yōu)榱藘?yōu)化融合聲學(xué)參數(shù)與發(fā)音運動參數(shù)的聯(lián)合建模與生成系統(tǒng)在合成發(fā)音運動參數(shù)方面的表現(xiàn)，而提出的一種基于最小生成誤差(Minimum Generation Error,MGE)準則的聲學(xué)-發(fā)音運動參數(shù)聯(lián)合模型訓(xùn)練優(yōu)化方法。在該方法中，我們首先定義生成的發(fā)音運動參數(shù)與對應(yīng)的自然發(fā)音運動參數(shù)之間的歐氏距離為生成誤差，然后在最小化生成誤差的目標下，采用梯度下降算法(GPD)同時對模型中發(fā)音運動參數(shù)的均值和方差以及聲

4、學(xué)參數(shù)的均值和方差4類參數(shù)進行優(yōu)化，以達到優(yōu)化發(fā)音運動參數(shù)合成效果的目的。實驗證明，我們的優(yōu)化方法可以明顯提高合成的發(fā)音運動參數(shù)與自然參數(shù)的接近程度。
　　 論文第四章介紹了我們對于聲學(xué)參數(shù)與發(fā)音運動參數(shù)映射關(guān)系的一系列研究工作，這部分工作仍然基于融合聲學(xué)參數(shù)與發(fā)音運動參數(shù)的聯(lián)合建模與生成系統(tǒng)。我們首先對表征聲學(xué)參數(shù)與發(fā)音運動參數(shù)映射關(guān)系的轉(zhuǎn)換矩陣進行了多方面的研究，包括對模型訓(xùn)練中轉(zhuǎn)換矩陣綁定類數(shù)設(shè)置的優(yōu)化、直接基于MGE準則