汉语语音合成中说话人自适应的时长优化-清华大学.PDFVIP

汉语语音合成中说话人自适应的时长优化 徐英进，贾珈，蔡莲红 （清华大学计算机科学与技术系，北京 100084） 摘 要： 在汉语语音合成中，音节内清音和浊音的时长是影 unvoiced part in the adaptation data. In synthesis, a reference 响自然度的重要因素、并且与说话人关系较大的个性化特征 relative duration of unvoiced part with the target speaker is 之一。本文针对基于 HMM 的汉语语音合成说话人自适应， generated from this decision tree, and the duration of unvoiced 提出了一种清浊音时长优化算法。将原始说话人训练语料的 part and voiced part in the synthesized speech is adjusted 清音在音节中的相对时长特征根据语境特征进行决策树聚 accordingly. Experiments show that this approach can improve 类，并进一步使用自适应算法将决策树中的特征值自适应到 the accuracy of duration prediction in the speaker adaptation of 目标说话人的清音相对时长。在语音合成时，从该决策树得 HMM-based Mandarin TTS, and it can effectively improve the 到目标说话人的清音相对时长参考值，合成语音的清浊音时 similarity of speaker adaptation and the naturalness of 长按照参考值进行调整。实验表明该算法可以提高 HMM 汉语 synthesized speech. 语音合成中说话人自适应的时长预测准确度，有效地提高说 话人自适应的相似度和合成语音的自然度。 Key words: Mandarin TTS; speaker adaptation; duration optimization; unvoiced/voiced sound 关键词：汉语语音合成；说话人自适应；时长优化；清浊音； 中图分类号：TN912.33 说话人自适应是基于语音模型转换的一种声音 转换技术，HMM 语音合成的说话人自适应相对经典 The duration optimization of speaker 的基于声学特征转换的声音转换，需要的目标说话 adaptation in Mandarin TTS 人语音数据量更少，并且在保证很高的声音相似度 SO Yongjin, JIA Jia, CAI Lianhong 的同时，也保持了较高的音质和自然度。+1 (Computer Science and Technology Department, Tokuda 在 1998 年提出了基