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(jīng)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(xiàn)。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(jù)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(shù)，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(jù)對漢語中有調音節(jié)的出現(xiàn)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(jīng)網(wǎng)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(jīng)網(wǎng)絡來訓練韻律模型。網(wǎng)絡的輸入?yún)?shù)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(jù)漢語音節(jié)的特點可以歸納出l7個有用的參數(shù)，重音參數(shù)不能直接從文本中獲得，因此參考相關資料，提出了調域系數(shù)(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(jù)參數(shù)的重要性不同將參數(shù)

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(wǎng)絡輸出的精度，從而構成了三組輸入矢量。神經(jīng)網(wǎng)絡的中間層采用了高斯徑向基函數(shù)對輸入矢量進行映射，高斯函數(shù)的中心為該子空間的質心，徑向寬度參數(shù)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(wǎng)絡的輸出精度。網(wǎng)絡的第三部分為RBF網(wǎng)絡。訓練目標值為簡化的聲調模型參數(shù)，為了使網(wǎng)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(jīng)元，用這些神經(jīng)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(jīng)元的質心。實驗表明可以減少因為輸入和輸出參數(shù)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