漢語(yǔ)嵌入式TTS系統(tǒng)中的韻律建模和語(yǔ)音合成方法.pdf

1、隨著計(jì)算機(jī)技術(shù)和信息技術(shù)的飛速發(fā)展，如何使人機(jī)界面更加自然和友好成為相關(guān)機(jī)構(gòu)的研究熱點(diǎn)，其中，語(yǔ)音交互方式備受人們關(guān)注。語(yǔ)音交互中非常重要的一項(xiàng)技術(shù)就是語(yǔ)音合成，本文著重研究語(yǔ)音合成技術(shù)中的音庫(kù)設(shè)計(jì)，韻律建模和合成算法。 語(yǔ)音合成在高配置機(jī)器(如大型機(jī)，工作站等)上的應(yīng)用已經(jīng)非常廣泛，但是由于嵌入式系統(tǒng)的資源限制，基于大語(yǔ)料庫(kù)的語(yǔ)音合成方法難以在嵌入式系統(tǒng)上實(shí)現(xiàn)。因此，如何平衡音庫(kù)容量和合成音質(zhì)之間的矛盾便成了問(wèn)題的核心所在。

2、本文根據(jù)漢語(yǔ)音節(jié)的特點(diǎn)，提出了一種嵌入式音庫(kù)的設(shè)計(jì)算法。在對(duì)樣本之間失真度的測(cè)量上采用了符合人耳感知特性的MFCC參數(shù)，測(cè)量最小失真度使用了動(dòng)態(tài)規(guī)劃(DP)技術(shù)來(lái)優(yōu)化匹配過(guò)程。根據(jù)對(duì)漢語(yǔ)中有調(diào)音節(jié)的出現(xiàn)頻率的分析，確定了音庫(kù)的最終結(jié)構(gòu)。選取音節(jié)作為基元，采用改進(jìn)的k均值聚類算法(MKM算法)。同時(shí)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(kù)質(zhì)量。 在人們的交流過(guò)程中，韻律隱含著文字所不能表達(dá)的信息，因此在漢語(yǔ)語(yǔ)音

3、合成系統(tǒng)中，韻律建模的作用相當(dāng)重要。相對(duì)于概率模型和決策樹(shù)模型來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)有著強(qiáng)大的非線性映射能力和自學(xué)習(xí)能力，因此，這里選用神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練韻律模型。網(wǎng)絡(luò)的輸入?yún)?shù)主要從文本中獲得，同時(shí)為了表達(dá)不同含義的需要加入了重音及其相關(guān)信息。根據(jù)漢語(yǔ)音節(jié)的特點(diǎn)可以歸納出l7個(gè)有用的參數(shù)，重音參數(shù)不能直接從文本中獲得，因此參考相關(guān)資料，提出了調(diào)域系數(shù)(TRR)和音節(jié)時(shí)長(zhǎng)組合的方法來(lái)檢測(cè)，實(shí)驗(yàn)表明能降低漏檢率和提高召回率。根據(jù)參數(shù)的重要性不同將參數(shù)

4、劃分為兩組矢量，對(duì)重要性較高的矢量采用增加加權(quán)層來(lái)提高網(wǎng)絡(luò)輸出的精度，從而構(gòu)成了三組輸入矢量。神經(jīng)網(wǎng)絡(luò)的中間層采用了高斯徑向基函數(shù)對(duì)輸入矢量進(jìn)行映射，高斯函數(shù)的中心為該子空間的質(zhì)心，徑向?qū)挾葏?shù)為該子空間中所有樣本與質(zhì)心的平均均方誤差，該方法較大改善了網(wǎng)絡(luò)的輸出精度。網(wǎng)絡(luò)的第三部分為RBF網(wǎng)絡(luò)。訓(xùn)練目標(biāo)值為簡(jiǎn)化的聲調(diào)模型參數(shù)，為了使網(wǎng)絡(luò)更加魯棒，采用了將目標(biāo)值離散化的方法，將目標(biāo)值分解為若干個(gè)神經(jīng)元，用這些神經(jīng)元替代目標(biāo)值進(jìn)行訓(xùn)練，實(shí)際

5、工作時(shí)最終的輸出為這些神經(jīng)元的質(zhì)心。實(shí)驗(yàn)表明可以減少因?yàn)檩斎牒洼敵鰠?shù)的隨機(jī)特性而導(dǎo)致的輸出誤差。 對(duì)于語(yǔ)音合成方法，我們提出了一種語(yǔ)音片斷基音平滑技術(shù)。在基于波形拼接的語(yǔ)音合成中，一般使用TD-PSOLA算法進(jìn)行基頻和時(shí)長(zhǎng)的修改，但是用傳統(tǒng)的TD-PSOLA算法進(jìn)行的基頻修改是針對(duì)片斷整體而言，所以仍然不能很好的解決語(yǔ)音合成中的拼接單元之間的基頻不連續(xù)問(wèn)題，特別是在片斷接合處。由于基元片斷取自不同語(yǔ)境的語(yǔ)料，合成語(yǔ)音聽(tīng)起來(lái)明顯