HMM语音合成中基频清浊音优化算法研究.PDFVIP

NCMMSC’2009 ，8 月 14－16 日，新疆乌鲁木齐 HMM语音合成中基频清浊音优化算法研究* 1 1 2 2 1 康世胤 ，段全盛 ，双志伟 ，秦勇 ，蔡莲红 (1. 清华大学计算机科学与技术系，北京 100084 ；2. IBM 中国研究中心，北京 100094) 文 摘：本文提出一种用于 HMM 参数化语音合成的针对清浊音优化的基频建模和预测方法。在参数化合成方法中， 清浊音预测直接决定激励源的选择，对合成质量有关键影响。针对这一问题，该方法从基频参数提取和预测两个方面 同时入手，使用语料标注信息参与基频提取，建立音节清浊音转换时刻的高斯混合模型预测基频，改善清浊音判决质 量。合成语音的听测实验表明，该方法与原系统相比，合成音质和韵律都有较大改善，MOS 评分由 3.0 升至 3.5。 关键词：语音合成；隐马尔可夫模型；基频建模；高斯混合模型；清浊音判决 中图分类号：TN912.3 近年来，基于隐马尔可夫模型（HMM ）的参 息，因而对部分特定发音单元的估计准确率不足， 数化语音合成技术[1,2]受到了广泛的重视，发展非常 最终影响到这部分发音单元的合成效果。其二， 迅速。与传统的基于大语料库的单元拼接合成方法 MSD-HMM 各状态输出概率分布间的独立性与基 相比，HMM 语音合成技术与发音人和语种的相关 频变化的连续性之间存在矛盾。由于 HMM 中相邻 性小，占用资源少，构建成本低，有利于快速建立 状态的清浊音判决相互独立，在一个发音单元中， 语音合成系统；此外，这种技术使用参数化的合成 预测出的基频曲线经常分裂为几段。表现最为明显 方法，灵活性强，音色和韵律特征都易于调整。 的就是错误的把浊音段预测为清音，导致合成语音 常规 HMM 语音合成技术分为训练和合成两个 沙哑不清晰。由于统计模型精确性的关键作用，其 阶段。在训练阶段，首先提取训练语料的谱参数和 他研究人员在现有 HMM 模型基础上，提出若干改 基频参数，联合语音参数的动态特征，建立隐马尔 进模型[6,7,8] ，但都不能很好的解决清浊音预测的问 可夫模型，并根据语境信息生成模型预测决策树[3] 。 题。 其中，基频参数包含清浊音变化，不是一般意义下 为此，本文提出一种用于 HMM 语音合成的基 的连续参数，因此使用多空间概率分布 HMM 频清浊音优化算法。从前述两个环节同时入手，改 （MSD-HMM ）[4]进行建模。MSD-HMM 使用不同 善清浊音提取和预测效果，进而提高合成语音质 的代数空间分别刻画基频的清音和浊音参数。在合 量。 成阶段，首先对待合成文本进行文本分析，根据语 文本内容组织如下：第一部分介绍针对基频清 境信息预测得到模型状态序列，应用语音参数生成 浊音建模和预测优化的 HMM 语音合成系统结构； 算法[5]生成语音参数序列，最后通过参数合成器合 第二部分阐述针对清浊音优化的基频建模和预测 成目标语音。其中，基频参数清浊音的判决根据最 算法；第三部分给出一个合成系统的实例，并进行 大似然准则，由 MSD-HMM 中的空间出现概率决 实验评测；第四部分进行总结。 定。 1 语音合成系统结构 与拼接合成方法不同，在参数化合成方法中， 基频清浊音预测直接影响到参数化合成器激励源 本文构建的合成系统基本框架如图 1 所示。系 的选择，因此对合成