基于隱馬爾科夫模型的語(yǔ)音合成技術(shù)研究.pdf

1、隨著目前語(yǔ)音合成效果的逐步改善，用戶對(duì)語(yǔ)音合成系統(tǒng)提出了更高的要求，尤其是多樣化語(yǔ)音合成方面的需求。在這種背景下，一種能夠在短時(shí)間內(nèi)通過(guò)自動(dòng)訓(xùn)練的方式進(jìn)行合成系統(tǒng)構(gòu)建，從而滿足用戶多樣化需求的語(yǔ)音合成技術(shù)，有著很高的理論研究及使用價(jià)值。對(duì)此，本論文在基于HMM的可訓(xùn)練語(yǔ)音合成(TrainableTTS)方面，包括技術(shù)框架構(gòu)建、關(guān)鍵技術(shù)改進(jìn)以及相關(guān)技術(shù)應(yīng)用，進(jìn)行了深入而系統(tǒng)的研究，本論文具體的研究工作和研究成果如下。首先，本論文對(duì)基于隱馬

2、爾科夫(HMM)的自動(dòng)切分技術(shù)進(jìn)行分析和改進(jìn)。通過(guò)分析HMM訓(xùn)練流程中采用的最大似然準(zhǔn)則的(ML)訓(xùn)練算法與自動(dòng)切分目標(biāo)的不匹配問(wèn)題，本文提出一種基于切分誤差最小化準(zhǔn)則(MSGE)的區(qū)分性訓(xùn)練算法。在該算法中，首先通過(guò)引入一個(gè)新的切分誤差度量來(lái)定義切分誤差函數(shù)，然后基于一般化的統(tǒng)計(jì)梯度下降算法(GPD)對(duì)模型參數(shù)進(jìn)行優(yōu)化，從而達(dá)到切分誤差最小化的目的。基于HMM的自動(dòng)切分技術(shù)的分析和改進(jìn)工作，為本文后續(xù)進(jìn)行TrainableTTS的深入

3、研究奠定一定的基礎(chǔ)。其次，本論文基于現(xiàn)有的模型訓(xùn)練和參數(shù)生成技術(shù)，建立了一個(gè)完整的TrainableTTS技術(shù)框架，包括一個(gè)自動(dòng)化的訓(xùn)練流程和相應(yīng)的合成后端。它可以根據(jù)用戶的需求，通過(guò)輸入一定的語(yǔ)音數(shù)據(jù)進(jìn)行自動(dòng)訓(xùn)練，并快速形成一個(gè)相應(yīng)的合成系統(tǒng)。此外，在此框架基礎(chǔ)上，本文通過(guò)設(shè)計(jì)和優(yōu)化中文上下文相關(guān)屬性和問(wèn)題集，進(jìn)行了中文TrainableTTS系統(tǒng)的訓(xùn)練和構(gòu)建，對(duì)TrainableTTS技術(shù)進(jìn)行效果驗(yàn)證。 第三，基于前面構(gòu)建的

4、TrainableTTS技術(shù)框架，本文對(duì)TrainableTTS技術(shù)分別進(jìn)行幾個(gè)方面的改進(jìn)。首先在譜參數(shù)建模方面，通過(guò)對(duì)Mel-cepstral(MCEP)和線譜對(duì)(LSP)參數(shù)的特點(diǎn)和建模效果分析，并考慮到LSP參數(shù)與共振峰之間的對(duì)應(yīng)關(guān)系，最終結(jié)合LSP和其相鄰階差分DAL參數(shù)進(jìn)行譜參數(shù)建模。其次，對(duì)于韻律節(jié)奏感不強(qiáng)的問(wèn)題，本文在狀態(tài)時(shí)長(zhǎng)模型的基礎(chǔ)上加入了基于聲韻母單元的時(shí)長(zhǎng)模型，并在合成中對(duì)兩種時(shí)長(zhǎng)模型進(jìn)行加權(quán)來(lái)進(jìn)行時(shí)長(zhǎng)預(yù)測(cè)。

5、 此外，針對(duì)現(xiàn)在模型訓(xùn)練流程中采用的最大似然(ML)準(zhǔn)則與合成目標(biāo)的不匹配問(wèn)題，本文提出了一種基于最小生成誤差(MGE)準(zhǔn)則的HMM訓(xùn)練算法。在得到結(jié)果驗(yàn)證后，本文對(duì)MGE準(zhǔn)則進(jìn)行一定的簡(jiǎn)化，并通過(guò)設(shè)計(jì)合理的分裂問(wèn)題選擇策略，將該準(zhǔn)則應(yīng)用到上下文相關(guān)模型的聚類中。最后，在上述模型訓(xùn)練和聚類算法的改進(jìn)基礎(chǔ)上，本文對(duì)整個(gè)TrainableTTS的訓(xùn)練流程進(jìn)行重新設(shè)計(jì)，使得模型訓(xùn)練完全圍繞著MGE準(zhǔn)則來(lái)進(jìn)行。 最后，本文基于Trai

6、nableTTS技術(shù)框架進(jìn)行多樣化語(yǔ)音合成方面的應(yīng)用。在多說(shuō)話人語(yǔ)音合成方面，本文采用模型自適應(yīng)的方式進(jìn)行說(shuō)話人轉(zhuǎn)換，并針對(duì)少量目標(biāo)語(yǔ)句的情況，通過(guò)對(duì)模型自適應(yīng)的轉(zhuǎn)換矩陣類型進(jìn)行優(yōu)化來(lái)提高轉(zhuǎn)換效果。在富于表現(xiàn)力的語(yǔ)音合成方面，本文分別進(jìn)行了語(yǔ)氣語(yǔ)調(diào)的實(shí)現(xiàn)以及情感語(yǔ)音合成系統(tǒng)的構(gòu)建以及效果分析。而對(duì)于多語(yǔ)種語(yǔ)音合成應(yīng)用，一方面本文基于已有的純英文語(yǔ)音庫(kù)，通過(guò)設(shè)計(jì)合理的屬性和問(wèn)題集，并針對(duì)英文的發(fā)音特點(diǎn)進(jìn)行相應(yīng)的人工標(biāo)注，來(lái)實(shí)現(xiàn)英文合成系統(tǒng)