基于二元語義標注的波形拼接語音合成.pdf

1、語音合成(TTS，TextToSpeech)技術(shù)是將計算機自己產(chǎn)生的或外部輸入的文字信息，比如文本文件內(nèi)容、WORD文件內(nèi)容等文字信息，按語音處理規(guī)則轉(zhuǎn)換成語音信號輸出，即使計算機流利地讀出文字信息，使人們通過“聽”就可以明白信息的內(nèi)容。隨著計算機技術(shù)和通訊技術(shù)的巨大發(fā)展，TTS技術(shù)已經(jīng)應(yīng)用到語音對話系統(tǒng)、語音呼叫中心、語音觸發(fā)的網(wǎng)站和電子郵件服務(wù)等很多領(lǐng)域并且已經(jīng)發(fā)揮出其巨大的威力，但是，當前現(xiàn)有的TTS系統(tǒng)在自然度和可懂度方面都離人

2、們的要求相差甚遠，真正能夠代替人來閱讀的TTS系統(tǒng)還沒有出現(xiàn)，從而也制約著TTS系統(tǒng)在更大的范圍內(nèi)的使用。 在語音合成方面，首先遇到的困難是從文本信息到韻律的標識上，自然語言中，語音特征變化萬千，其數(shù)據(jù)本身隱含了知識。而對這些知識，人類可以感知，但對其的認識、描述是遠遠不夠的。在從文字到韻律符號描述的自動轉(zhuǎn)換方面，對自然語音理解能力的不足一直是研究工作的瓶頸所在。目前文字到韻律描述的轉(zhuǎn)換通常只能根據(jù)一些基本的語法信息(如詞性)來

3、劃分語調(diào)短語或設(shè)置語句的普通重音，還沒有根據(jù)句子的語義來做深層次處理(如設(shè)置不同的表達或感情色彩)的能力。其次，從聲學(xué)的層面上，人們對韻律特征對應(yīng)的聲學(xué)參數(shù)還沒有完全認識，缺乏完備的描述，只能憑經(jīng)驗。這也進一步阻礙了將文本標注的韻律信息表現(xiàn)出來，生成自然的帶有韻律感和重音感的合成語音。 本文借助我們實驗室以往對自然語言理解處理的成果——二元語義關(guān)系分析。建立了一套符合XML擴展標記語言標準的文本語音合成描述符號體系，同時建立了從

4、語義描述標注到語音合成韻律標注的轉(zhuǎn)換規(guī)則，將對語義的描述自動轉(zhuǎn)換到語音韻律信息的描述。而且，還考慮到了文本中的多音字、數(shù)字、符號、字母的發(fā)音問題，建立了一系列針對這些情況的發(fā)音描述方式。 在韻律語音的合成上，本文搜集了1248個漢語中的單字和8000多個使用頻率較高的雙字詞、三字詞、四字詞以及常用人名、地名等語料信息，對其進行整理編號后，在轉(zhuǎn)門為本系統(tǒng)開發(fā)的語音庫維護程序上對這些語料進行了人工錄音，對這些語音資料切分和基音周期分

5、析后，存入語音數(shù)據(jù)庫和檢索索引數(shù)據(jù)庫，構(gòu)建了本系統(tǒng)所需要的基礎(chǔ)語音數(shù)據(jù)。 語音合成模塊包含語速修改單元、語氣修改單元、重音修改單元以及靜音生成單元等，并且把它們做成模塊的形式，提供接口供語音合成模塊調(diào)用以改變語音基元的韻律信息。本語音合成系統(tǒng)，首先從韻律文本的標注上，是建立在對自然語言有了深刻的語義理解之上，在二元語義標注文本的基礎(chǔ)上通過一定的語義和韻律對應(yīng)規(guī)則，建立了韻律標注文本，這種韻律標注方法更接近人的真正發(fā)音意圖，對下一

6、步的韻律語音生成，打下了基礎(chǔ)。語音生成時，采用基于大規(guī)模語音庫的PSOLA波形頻接算法，實現(xiàn)較為方便的聲學(xué)韻律控制，使合成出的語音清晰且?guī)в许嵚筛?，在可懂度和自然度上都有所提高?本文下一步的主要研究主要包括：對語義標注到韻律文本的標注進一步研究，將更多的語義信息反映到韻律上來；建立更大規(guī)模的語音數(shù)據(jù)庫，語料可以進一步擴展到句子或者段落；建立更多的韻律控制單元，做到不但能修改句子內(nèi)部的韻律信息，還能構(gòu)修改句子之間甚至段落之間的韻