面向语音合成的自然语言处理研究.pdfVIP

面向语音合成的自然语言处理 王仁华胡国平 中国科学技术大学，安徽舍肥230027 E—mail：rhw@ustc．edu．cn 摘要： 语音合成旨在把输入的文本转换为对应的语音输出，其中不少问题的解决需要自然语言处理技术的介 入，但这些问题又常常和传统的自然语言处理存在着目标上的差异，这些差异也决定了其所采用的方法存在着 一定的区别。本文面向文语转换应用，详细介绍了语音合成应用中所需的自然语言处理技术，如何对这些技术 进行相应的定制，以及如何被集成于一个实际的语音合成系统中，最后给出了我们的实验内容和实验结果．实 验表明，自然语言处理的多项技术经过适当的定制，可以在语音合成中发挥重要的作用． ．， 关键词：自然语言处理、语音合成．文本预处理，文本层次韵律模型、语音树 引言 语音合成系统目前主要用于把输入的文本信息转换为相应的自然、连续语音输出，也称为文语转换系统。 评价一个合成系统的合成效果有两个重要的指标：可懂度和自然度。可懂度指合成语音能被听懂的程度，而自 然度是指合成语音的音段特征和超音段特征与自然语音的接近程度。合成系统在把文本转换为自然语音的时候， 需要解决不少文本上的歧义问题，这种歧义包括句法、语法甚至语义层面的歧义。比如多音字问题，“重”有两 话的意思。又比如，若把“语音合成系统”读成了“语音合一成系～统”，则听者即使能听懂句子，也会觉得很 不自然。类似的情况还有数字串的读法、重音位置的确定等等。人在“合成”自然语音时，就是根据自己对原 始句子的理解，解决拼音、节奏、停顿、轻重读等信息上的歧义问题。 对于计算机而言，这些歧义的解决则依赖自然语言处理技术，但现在完整意义上的计算机自然语言理解还 不能实现，所以需要另辟蹊径。所幸的是人本身具有自然语言理解能力，在人与人的交谈中，语音只是起到一 个信息媒介的作用，并不涉及任何理解问题。就像录音机不需要“理解”它所录的语音的内容，语音合成系统 也不需要理解它所需合成的文本，只需要能生成输入文本对应的语音即可，合成的语音经过人的听觉系统进入 听者的大脑时，人们自然能利用自身的语言模型、理解能力去提取文本中包含的语义。所以，语音合成系统所 需的只是把文本转换语音时不需要理解整句待合成的话，只需要局部处理消除文本上的歧义即可。如“重感冒” 一例，只要看到有“感冒”一词，就可以知道“重”字应该读“zhon94’：，而并不需要理解这句话表示了“她现 在处于感冒状态，而且感冒还很重”，更不需要理解这里的“她”指代的是谁。又如对于“吃光小王的包子”和 “吃光包子的小王”，即使合成语音上两句的韵律完全相同，人在听的时候仍然不会发生误解。所以，面向语音 合成的自然语言理解技术可以回避不少传统自然语言理解中难以解决的问题，存在不少可以实用的研究内容。 本文就这方面展开研究，内容安排如下：第一节介绍了语音合成中文本分析的目标；第二节介绍了语音合 成技术中包括了哪些自然语言处理技术：第三节给出了我们的实验内容和实验结果；第四节讨论部分则给出了 我们还存在的问题和将采取的解决方案。 1语音合成系统中自然语言处理的目标 语音合成系统，一般分为两个主要的环节：一个是文本预处理环节(前端组件)，另一个是语音合成环节(后 端组件)。前端的功能是给出待合成的每个字的拼音信息(对于英文则是音标)，而后端就是根据这些拼音信息 从音库辛挑选出合适的单元。和自然语言处理相关的主要是前端文本预处理环节。 前端文本处理的目标，随着语音合成技术的不断改进，其目标也有所发展。现在采用较多的是从语音本身 253 在听感上的停顿需要来直接定义前端文本处理的目标，我们定义为语音树。语音树定义了一个树状结构，其上 规定了L5，L4，L3，L2，Ll。LO各个层次，分别用于表示各个级别的语音上的停延，定义如下： LO：音节边界，对于汉语，即是指单字层。 Ll：音步边界，即是我们常说的节奏层，在语音上表现为最紧密的一到 三四个音节之后的一个停延。 L2：次短语边界，表现在语音上比Ll级别大，但是比L3级别小的停延。 L3：主短语边界，表现为语音上能明显听出的停延，一般同时有音调重 新抬高的表现。