漢藏雙語合成語音音質(zhì)評測的研究.pdf

1、跨語言語音合成能夠?qū)崿F(xiàn)在同一個語音合成系統(tǒng)中合成出不同語言的語音，成為了語音信號處理領(lǐng)域的研究熱點。目前，西北師范大學(xué)已經(jīng)實現(xiàn)了漢語普通話和藏語拉薩方言雙語語音合成系統(tǒng)。為了研究漢藏雙語跨語言語音合成系統(tǒng)合成的不同語言不同說話人的語音質(zhì)量優(yōu)劣，本論文實現(xiàn)了一個漢藏雙語跨語言的語音合成系統(tǒng)，在此基礎(chǔ)上對不同語音合成方案下合成出的漢藏雙語語音音質(zhì)進(jìn)行了主客觀評測，并提出了一種利用說話人識別和語音識別對說話人相似度和合成語音音質(zhì)進(jìn)行評測的方法

2、。論文的主要工作和創(chuàng)新如下：
　　1.設(shè)計了漢藏雙語語音合成方案，實現(xiàn)了一個漢藏雙語跨語言語音合成系統(tǒng)。設(shè)計了漢語普通話和藏語拉薩方言的語音語料庫、文本語料，上下文屬性標(biāo)注格式以及上下文相關(guān)的問題集，利用說話人自適應(yīng)訓(xùn)練的方法訓(xùn)練了漢藏雙語語音的聲學(xué)模型，利用聲碼器合成出語音。
　　2.評測了不同語音合成方案合成的漢語普通話語音和藏語拉薩方言語音的音質(zhì)。采用主觀評測方法和客觀評測方法。主觀評測方法包括平均意見得分、差異平均意

3、見得分、相對平均意見得分以及診斷押韻測試；客觀評測方法包括基頻參數(shù)測量、時長參數(shù)測量以及感知語音質(zhì)量評估。結(jié)果表明，參加說話人自適應(yīng)訓(xùn)練的普通話語句為110句、藏語語句為300句時，合成的漢語普通話和藏語拉薩方言語音的質(zhì)量較高。
　　3.提出了一種采用說話人識別技術(shù)評測漢藏雙語跨語言語音合成系統(tǒng)合成的不同說話人語音相似度的評測方法。以高斯混合模型為聲學(xué)模型，結(jié)合傳統(tǒng)的短時處理技術(shù)和經(jīng)驗?zāi)B(tài)分解來獲得聲學(xué)特征，訓(xùn)練了一個說話人識別系

4、統(tǒng)。結(jié)果表明，當(dāng)參加說話人自適應(yīng)訓(xùn)練的漢語普通話語句為110句時，合成語音的說話人識別率達(dá)到88.89％，當(dāng)參加自適應(yīng)訓(xùn)練的藏語語句300句時，合成語音的說話人識別率為94.44%。
　　4.提出了一種利用語音識別技術(shù)進(jìn)行漢藏雙語跨語言語音合成系統(tǒng)的合成語音音質(zhì)評測方法。采用了5狀態(tài)的連續(xù)隱 Markov模型為基元的聲學(xué)模型，采用13維的 Mel頻率倒譜系數(shù)及其一階差分和二階差分形成一個13×3維的特征向量來訓(xùn)練聲學(xué)模型。結(jié)果表明