融合發(fā)音運動特征的統(tǒng)計參數語音合成技術研究.pdf

1、隨著時代的進步，語音合成技術也日趨成熟。在幾種主流的語音合成技術中，統(tǒng)計參數語音合成(Statistical Parametric Speech Synthesis)擁有可自動快速構建、小型化靈活度高等優(yōu)點而被廣泛采用。而作為這個領域的一個新興的熱點方向，融合聲學參數與發(fā)音運動參數的建模與合成技術通過引入和語音產生機理更加緊密相關的發(fā)音運動參數，對原有的聲學模型結構進行改進，實現(xiàn)了兩種參數的聯(lián)合建模與生成。本文對上述技術進行了系統(tǒng)的介紹

2、，并為優(yōu)化發(fā)音運動參數的生成效果進行了深入的研究。整篇文章的結構安排如下：
　　 論文第一章概括地論述了本文的研究背景。先把幾十年來語音合成技術從無到有的發(fā)展情況進行了介紹，再簡要地分析了當前幾種常見的語音合成方法。
　　 論文第二章介紹目前廣泛常用的可訓練語音合成技術(Trainable TTS)的基本流程框架，以及在此基礎上形成的融合聲學參數與發(fā)音運動參數的建模與合成技術，為本文在此項技術上的改進工作進行鋪墊。

3、>　　 論文第三章主要介紹我們?yōu)榱藘?yōu)化融合聲學參數與發(fā)音運動參數的聯(lián)合建模與生成系統(tǒng)在合成發(fā)音運動參數方面的表現(xiàn)，而提出的一種基于最小生成誤差(Minimum Generation Error,MGE)準則的聲學-發(fā)音運動參數聯(lián)合模型訓練優(yōu)化方法。在該方法中，我們首先定義生成的發(fā)音運動參數與對應的自然發(fā)音運動參數之間的歐氏距離為生成誤差，然后在最小化生成誤差的目標下，采用梯度下降算法(GPD)同時對模型中發(fā)音運動參數的均值和方差以及聲

4、學參數的均值和方差4類參數進行優(yōu)化，以達到優(yōu)化發(fā)音運動參數合成效果的目的。實驗證明，我們的優(yōu)化方法可以明顯提高合成的發(fā)音運動參數與自然參數的接近程度。
　　 論文第四章介紹了我們對于聲學參數與發(fā)音運動參數映射關系的一系列研究工作，這部分工作仍然基于融合聲學參數與發(fā)音運動參數的聯(lián)合建模與生成系統(tǒng)。我們首先對表征聲學參數與發(fā)音運動參數映射關系的轉換矩陣進行了多方面的研究，包括對模型訓練中轉換矩陣綁定類數設置的優(yōu)化、直接基于MGE準則