漢語可視文語轉(zhuǎn)換系統(tǒng)研究與實現(xiàn).pdf

1、隨著計算機技術(shù)的進步和其他相關(guān)學(xué)科的發(fā)展，語音合成技術(shù)有了迅猛的發(fā)展，涌現(xiàn)了大量的新理論和新技術(shù)。與此同時人們對語音合成提出了更高要求。人類對語言的理解是多模態(tài)的，不儀聽語音，而且用眼睛去觀察說話人的面部表情。如果在合成語音的同時能給出一個“講話的頭”，即可表現(xiàn)說話者面部各器官動作的頭像，可進一步提高人機交互的友好性和方便性。
　　 本文的重點主要放在三維人臉模型的構(gòu)建和漢語語音視位的研究兩個方面。首先利用第三方軟件建立人臉模型

2、，在vC++條件下使用OpenGl.(Open Graphics Library)，即開放性圖形庫編程完成模型的讀取與重現(xiàn)。對于三維建模工具數(shù)據(jù)量較大的情況，采用細(xì)節(jié)層次算法進行簡化，刪除不必要的邊、線、面，得到人臉的最初模型，并在該模型的基礎(chǔ)上建立本文所需要的標(biāo)準(zhǔn)人臉模型。得到人臉模型后，給人臉模型加上紋理，使模型具有皮膚、眼睛、頭發(fā)等人臉特征，提高人臉的真實性。
　　 在語音的可視化方面，本文根據(jù)漢語拼音的構(gòu)成及發(fā)音時的唇動

3、特點，首先定義一個基本口型集，包括11個基本口型（10個韻母口型和1個聲母口型），再根據(jù)該基本口型集，衍生一個韻母口型庫，使每一個漢字在發(fā)音時都對應(yīng)著相應(yīng)的口型。為了口型描述的通用性和靈活性，采用了MPEG-4所定義的FAP參數(shù)來描述基本口型。通過對人類發(fā)音的研究，選擇了其中24個與發(fā)音有直接關(guān)系的FAP參數(shù)來描述基本口型。得到口型的FAP參數(shù)值后，利用FAP參數(shù)值驅(qū)動三維人臉模型就可以得到相應(yīng)的口型，從而得到所需的漢語口型庫。