麥克風(fēng)自適應(yīng)算法在魯棒語音合成中的研究.pdf

1、目前，當(dāng)使用基于大規(guī)模語料庫的合成方法時(shí)，通常采用高質(zhì)量構(gòu)建的合成語音庫，以此來保證合成語音達(dá)到非常理想的狀態(tài)。所以現(xiàn)有的語音庫為了進(jìn)一步提高合成語音的效果，其創(chuàng)建的要求也在進(jìn)一步嚴(yán)格中。這樣，不僅要擴(kuò)大存儲(chǔ)空間來適應(yīng)更大規(guī)模的語音庫，而且對(duì)錄音環(huán)境的高要求也進(jìn)一步加重了語音合成的成本問題。
　　 隨著眼下互聯(lián)網(wǎng)的高速發(fā)展，網(wǎng)絡(luò)上可以直接下載到的數(shù)據(jù)資源日益豐富，比如國內(nèi)外各廣播電臺(tái)和電視臺(tái)的新聞播報(bào)，并且其對(duì)應(yīng)的文本也非常準(zhǔn)確

2、。如何將這些語音資源順利地應(yīng)用于自動(dòng)語音庫的創(chuàng)建中，必然可以有效降低語音合成的成本。但是，這類易獲得的語音資源大都不是特別干凈，存在錄音條件不連續(xù)，錄音條件多變，存在少量的背景噪聲等等多種因素的干擾。對(duì)此，本論文在魯棒語音合成方面進(jìn)行了相關(guān)研究，根據(jù)目前語音識(shí)別中流行的抗噪聲技術(shù)，針對(duì)網(wǎng)絡(luò)語音庫存在的噪聲問題做出了系統(tǒng)的分析，提出了麥克風(fēng)自適應(yīng)算法來有效提高合成語音的質(zhì)量，具體的工作和研究成果如下。
　　 1)全面的分析了形成噪

3、聲的原因，對(duì)網(wǎng)絡(luò)語音庫中存在的主要噪聲情況進(jìn)行歸類，通過對(duì)現(xiàn)行語音識(shí)別中已經(jīng)比較成熟的噪聲處理方法的歸納總結(jié)提出，由麥克風(fēng)因素引起的噪聲主要可以通過倒譜域的特征規(guī)整方法進(jìn)行處理。研究還發(fā)現(xiàn)，基于HMM(Hidden Markov Model)的統(tǒng)計(jì)參數(shù)語音合成方法對(duì)噪聲有更好好的魯棒性，深入的討論了這種可訓(xùn)練參數(shù)的合成系統(tǒng)優(yōu)于單元挑選方法的具體原因。本論文在使用國際上通用的MOS評(píng)分方法來對(duì)合成系統(tǒng)做出性能評(píng)測(cè)，由于MOS方法屬于主觀評(píng)

4、測(cè)，所以本文還參考了MCD值計(jì)算頻譜偏移的方法，來客觀的分析噪聲對(duì)系統(tǒng)的影響。
　　 2)本論文采用對(duì)純凈語音數(shù)據(jù)進(jìn)行HRTF濾波，來模擬網(wǎng)絡(luò)獲取語音所存在的麥克風(fēng)因素影響。這是由于如果直接采用網(wǎng)絡(luò)語音進(jìn)行實(shí)驗(yàn)，可能會(huì)存在語音樣本種類單一的問題，不能覆蓋所有可能出現(xiàn)的麥克風(fēng)噪聲情況;而如果采用極端錄音的方式才模擬訓(xùn)練數(shù)據(jù)，義會(huì)受到太多未知岡素的干擾。所以本文使用了頭相關(guān)傳輸函數(shù)的處理，來模擬網(wǎng)絡(luò)語音。由于這種方法為純凈語音庫和含

5、噪聲語音庫的訓(xùn)練數(shù)據(jù)提供了在時(shí)長(zhǎng)與內(nèi)容的完全一致性，所以可以更好的比較兩種語音庫合成語音的效果，分析噪聲對(duì)合成語音造成的相關(guān)影響。本文共創(chuàng)建了兩個(gè)含噪聲語音庫，它們的區(qū)別在于包含麥克風(fēng)影響參數(shù)的個(gè)數(shù)是不同的，可以觀察到，麥克風(fēng)因素的增加造成了合成語音自然度的明顯下降。
　　 3)本文提出了一系列的麥克風(fēng)自適應(yīng)算法來解決含噪聲語音庫的合成效果下降問題。實(shí)驗(yàn)表明，最終HTS系統(tǒng)合成語音的MOS評(píng)分和MCD結(jié)果基本一致，在經(jīng)過自適應(yīng)算