基于隱馬爾科夫模型的語音合成技術研究.pdf

1、隨著目前語音合成效果的逐步改善，用戶對語音合成系統(tǒng)提出了更高的要求，尤其是多樣化語音合成方面的需求。在這種背景下，一種能夠在短時間內通過自動訓練的方式進行合成系統(tǒng)構建，從而滿足用戶多樣化需求的語音合成技術，有著很高的理論研究及使用價值。對此，本論文在基于HMM的可訓練語音合成(TrainableTTS)方面，包括技術框架構建、關鍵技術改進以及相關技術應用，進行了深入而系統(tǒng)的研究，本論文具體的研究工作和研究成果如下。首先，本論文對基于隱馬

2、爾科夫(HMM)的自動切分技術進行分析和改進。通過分析HMM訓練流程中采用的最大似然準則的(ML)訓練算法與自動切分目標的不匹配問題，本文提出一種基于切分誤差最小化準則(MSGE)的區(qū)分性訓練算法。在該算法中，首先通過引入一個新的切分誤差度量來定義切分誤差函數(shù)，然后基于一般化的統(tǒng)計梯度下降算法(GPD)對模型參數(shù)進行優(yōu)化，從而達到切分誤差最小化的目的?；贖MM的自動切分技術的分析和改進工作，為本文后續(xù)進行TrainableTTS的深入

3、研究奠定一定的基礎。其次，本論文基于現(xiàn)有的模型訓練和參數(shù)生成技術，建立了一個完整的TrainableTTS技術框架，包括一個自動化的訓練流程和相應的合成后端。它可以根據(jù)用戶的需求，通過輸入一定的語音數(shù)據(jù)進行自動訓練，并快速形成一個相應的合成系統(tǒng)。此外，在此框架基礎上，本文通過設計和優(yōu)化中文上下文相關屬性和問題集，進行了中文TrainableTTS系統(tǒng)的訓練和構建，對TrainableTTS技術進行效果驗證。 第三，基于前面構建的

4、TrainableTTS技術框架，本文對TrainableTTS技術分別進行幾個方面的改進。首先在譜參數(shù)建模方面，通過對Mel-cepstral(MCEP)和線譜對(LSP)參數(shù)的特點和建模效果分析，并考慮到LSP參數(shù)與共振峰之間的對應關系，最終結合LSP和其相鄰階差分DAL參數(shù)進行譜參數(shù)建模。其次，對于韻律節(jié)奏感不強的問題，本文在狀態(tài)時長模型的基礎上加入了基于聲韻母單元的時長模型，并在合成中對兩種時長模型進行加權來進行時長預測。

5、 此外，針對現(xiàn)在模型訓練流程中采用的最大似然(ML)準則與合成目標的不匹配問題，本文提出了一種基于最小生成誤差(MGE)準則的HMM訓練算法。在得到結果驗證后，本文對MGE準則進行一定的簡化，并通過設計合理的分裂問題選擇策略，將該準則應用到上下文相關模型的聚類中。最后，在上述模型訓練和聚類算法的改進基礎上，本文對整個TrainableTTS的訓練流程進行重新設計，使得模型訓練完全圍繞著MGE準則來進行。 最后，本文基于Trai

6、nableTTS技術框架進行多樣化語音合成方面的應用。在多說話人語音合成方面，本文采用模型自適應的方式進行說話人轉換，并針對少量目標語句的情況，通過對模型自適應的轉換矩陣類型進行優(yōu)化來提高轉換效果。在富于表現(xiàn)力的語音合成方面，本文分別進行了語氣語調的實現(xiàn)以及情感語音合成系統(tǒng)的構建以及效果分析。而對于多語種語音合成應用，一方面本文基于已有的純英文語音庫，通過設計合理的屬性和問題集，并針對英文的發(fā)音特點進行相應的人工標注，來實現(xiàn)英文合成系統(tǒng)