基于隐马尔可夫模型的语音合成系统优化研究

• 作 者: 鲜幸池
• 机 构: 北京大学
• 出 处: 北京大学
• 发表日期: 2010年期
• 关键词: 语音合成系统 隐马尔可夫模型 声学参数 自动训练 时长模型 主观测听

语音合成是实现智能人机交互的重要技术。随着信息化社会建设的不断深入，人们对语音合成技术提出了更高的要求，如自动化的音库构建、灵活可调的合成效果、个性化的合成语音等。近年来，基于隐马尔科夫模型的语音合成技术取得了较好的合成效果，在满足人们多样化的需求上具有很大的发展潜力和应用前景。对此，本文对基于隐马尔科夫模型的语音合成技术进行了系统的研究，并在声学特征、声学建模以及时长模型等各个方面进行了全面的优化，本文的工作如下：　　
1、基于隐马尔可夫模型的语音合成技术，构建了一个中文的语音合成系统，实现了声学模型的自动训练以及从文本到语音的合成。　　
2、针对合成语音音质较差的问题，本文对声学参数进行了优化。在谱参数方面，采用Mel-cepstrum特征会导致合成语音比较沉闷。针对此问题，本文使用了STRAIGHT(Speech Transformationand Representationusing Adaptive Interpolationofwei GH Ted Spectrum)分析和Mel-cepstrum相结合的特征。在激励源方面，采用周期性脉冲加白噪声作为激励导致合成语音具有蜂鸣感。因此，本文引入了STRAIGHT的非周期分量和随机群延迟，构建了一个混合激励源。实验表明，声学特征优化比较明显的改善了合成语音的音质。　　
3、基于最大似然的训练准则和语音合成的应用目标不一致。针对这一问题，本文使用了基于最小生成误差的训练算法对模型进行优化。实验表明，合成语音参数的生成误差得到了下降，合成音质也有了一定程度的提高。　　
4、由于合成单元的时长比较平均，合成语音的韵律节奏感比较差。针对这一问题，本文利用声韵母时长模型和引入状态时长动态特征的模型进行优化。实验表明，两种方法都对时长的预测结果有一定程度的改进，在主观测听中，改进后的合成语音韵律节奏感均有较明显的增强。　　
经过上述改进，合成系统在音质、韵律节奏感方面有了全面的提高，可以合成较为自然的语音，为将来多样化语音合成的应用奠定了基础。