基于統(tǒng)計聲學建模的語音合成技術研究.pdf

1、近十幾年來，隨著針對語音信號的統(tǒng)計建模方法的日益成熟以及參數(shù)合成器性能的不斷提升，統(tǒng)計參數(shù)語音合成(Statistical Parametric Speech Synthesis)思想被提出，并得到了越來越多研究者的關注。其中，以基于隱馬爾可夫模型(Hidden Markov Model，HMM)的參數(shù)語音合成方法為代表，該方法已逐步發(fā)展成為和基于語料庫的單元挑選與波形拼接合成方法相并列的一種主流語音合成方法。相比傳統(tǒng)的單元挑選與波形拼

2、接合成方法，基于HMM的參數(shù)語音合成方法具有合成語音流暢度高、魯棒性好，系統(tǒng)構建速度快、自動化程度高，系統(tǒng)尺寸小、靈活度高等優(yōu)點。 本文以統(tǒng)計聲學模型在語音合成中的應用為研究重點，在原有基于HMM的參數(shù)合成方法之外，提出了兩種新的基于統(tǒng)計聲學建模的語音合成方法。第一，基于HMM的單元挑選與波形拼接合成：我們將HMM參數(shù)語音合成中使用的聲學參數(shù)建模思想，與傳統(tǒng)的單元挑選與波形拼接合成方法相結合，使用概率準則指導最優(yōu)單元搜索，通過拼

3、接波形生成最終語音，以克服參數(shù)合成方法在生成語音音質上的不足，提高合成語音的自然度：第二，融合聲學參數(shù)與發(fā)音器官參數(shù)(Articulatory Feature)的建模與合成：我們在聲學參數(shù)之外，引入和語音產生機理更加緊密相關的發(fā)音器官參數(shù)，通過對原有的HMM模型結構進行改進，實現(xiàn)兩種參數(shù)的聯(lián)合建模與生成，從而提高合成時聲學參數(shù)預測的精確度和靈活性。 整篇文章的安排如下： 第1章是緒論，將回顧語音合成的發(fā)展歷史，并對常見的

4、幾種語音合成方法進行簡要的介紹。 第2童將具體介紹基于HMM的參數(shù)語音合成方法，包括HMM的基本原理、系統(tǒng)框架、關鍵技術點等，并通過對此方法特點的分析，闡明我們進行新的語音合成方法研究的動機與出發(fā)點。 第3章將重點介紹基于HMM的單元挑選與波形拼接語音合成算法。首先我們提出了使用HMM進行單元挑選的兩種不同的實現(xiàn)形式，一種以幀為拼接單元，基于最大似然準則實現(xiàn)單元搜索，另一種使用音素和幀的兩級拼接單元，結合似然值準則和Ku

5、llback-Leibler距離(Kullback-Leibler Divergence，KLD)進行單元選擇；然后，我們歸納出了基于HMM的單元挑選合成的統(tǒng)一算法框架，并通過在中文和英文合成系統(tǒng)上的測試證明了此算法的有效性；最后，我們提出了最小單元挑選錯誤(Minimum Unit Selection Error，MUSE)準則，用以替代原有HMM訓練中使用的最大似然準則，實現(xiàn)了合成系統(tǒng)的全自動構建，并進一步提高了合成語音的自然度。第

6、4章將介紹融合發(fā)音器官參數(shù)與聲學參數(shù)的統(tǒng)計建模與合成。這里的“發(fā)音器官參數(shù)”指的是對發(fā)音過程中說話者舌、唇、下顎等發(fā)音器官的位置以及運動情況的定量描述。在闡明了引入發(fā)音器官參數(shù)的原因以及對原有系統(tǒng)框架進行了簡單回顧后，我們提出了對聲學參數(shù)和發(fā)音器官參數(shù)進行聯(lián)合建模與參數(shù)生成的總體思路，并且從模型聚類策略、狀態(tài)的同步性假設以及特征之間的獨立性假設三個方面，討論了幾種可能的模型結構；然后，通過一系列的客觀和主觀評測，證明了這種結合發(fā)音器官參