漢語嵌入式TTS系統(tǒng)中的韻律建模和語音合成方法.pdf

1、隨著計算機技術和信息技術的飛速發(fā)展，如何使人機界面更加自然和友好成為相關機構的研究熱點，其中，語音交互方式備受人們關注。語音交互中非常重要的一項技術就是語音合成，本文著重研究語音合成技術中的音庫設計，韻律建模和合成算法。 語音合成在高配置機器(如大型機，工作站等)上的應用已經非常廣泛，但是由于嵌入式系統(tǒng)的資源限制，基于大語料庫的語音合成方法難以在嵌入式系統(tǒng)上實現。因此，如何平衡音庫容量和合成音質之間的矛盾便成了問題的核心所在。

2、本文根據漢語音節(jié)的特點，提出了一種嵌入式音庫的設計算法。在對樣本之間失真度的測量上采用了符合人耳感知特性的MFCC參數，測量最小失真度使用了動態(tài)規(guī)劃(DP)技術來優(yōu)化匹配過程。根據對漢語中有調音節(jié)的出現頻率的分析，確定了音庫的最終結構。選取音節(jié)作為基元，采用改進的k均值聚類算法(MKM算法)。同時考慮到基元的后續(xù)處理，增加了候選基元，從而優(yōu)化了基元庫質量。 在人們的交流過程中，韻律隱含著文字所不能表達的信息，因此在漢語語音

3、合成系統(tǒng)中，韻律建模的作用相當重要。相對于概率模型和決策樹模型來說，神經網絡有著強大的非線性映射能力和自學習能力，因此，這里選用神經網絡來訓練韻律模型。網絡的輸入參數主要從文本中獲得，同時為了表達不同含義的需要加入了重音及其相關信息。根據漢語音節(jié)的特點可以歸納出l7個有用的參數，重音參數不能直接從文本中獲得，因此參考相關資料，提出了調域系數(TRR)和音節(jié)時長組合的方法來檢測，實驗表明能降低漏檢率和提高召回率。根據參數的重要性不同將參數

4、劃分為兩組矢量，對重要性較高的矢量采用增加加權層來提高網絡輸出的精度，從而構成了三組輸入矢量。神經網絡的中間層采用了高斯徑向基函數對輸入矢量進行映射，高斯函數的中心為該子空間的質心，徑向寬度參數為該子空間中所有樣本與質心的平均均方誤差，該方法較大改善了網絡的輸出精度。網絡的第三部分為RBF網絡。訓練目標值為簡化的聲調模型參數，為了使網絡更加魯棒，采用了將目標值離散化的方法，將目標值分解為若干個神經元，用這些神經元替代目標值進行訓練，實際

5、工作時最終的輸出為這些神經元的質心。實驗表明可以減少因為輸入和輸出參數的隨機特性而導致的輸出誤差。 對于語音合成方法，我們提出了一種語音片斷基音平滑技術。在基于波形拼接的語音合成中，一般使用TD-PSOLA算法進行基頻和時長的修改，但是用傳統(tǒng)的TD-PSOLA算法進行的基頻修改是針對片斷整體而言，所以仍然不能很好的解決語音合成中的拼接單元之間的基頻不連續(xù)問題，特別是在片斷接合處。由于基元片斷取自不同語境的語料，合成語音聽起來明顯