基於反转档查找与最佳片段选取演算法的中文语音合成系统.PDFVIP

基於反轉檔查找與最佳片段選取演算法的中文語音合成系統 林政源 謝明峰 陳冠廷 張智星 國立清華大學資訊工程學系 {gavins, pacific, marco, jang}@.tw 摘要 本論文主要是解決以大量語料庫為基礎的語音合成的兩個問題，其一是搜尋比對大量語料庫非常費 時，其二是從不同語句所取出的片段語音檔來加以接合，因為韻律參數的不一致，會使聽者明顯感覺不 自然。因此，我們提出了反轉檔查找技巧來解決搜尋時間的問題，為求整體句子的自然韻律表現，我們 提出了最佳片段選取演算法來達成這個目標，而對於PSOLA在調整音長表現可能不佳的情形，我們改以 WSOLA方式實作。在搜尋比對時間與MOS評分的實驗中，我們均獲得到了不錯的成果。 1 系統簡介 近年來，隨著電腦科技不斷的蓬勃發展，中文文字轉語音 (TTS, Text-To-Speech) 的合成系統也慢慢朝向 由單音節為主的合成單元架構轉變成以大量語料庫 (large corpus-based) 為主的合成單元架構。這方面的 研究目前有 Heo-Jin Byeon 的Event-Driven f0 Weighting[5], 大陸學者Min Chu 等人的Ｄomain Adaptation[1]的方法, Ivan Bulyko提出的BMM models[6]以及台大周福強博士的decision trees方法[10]等。 一般而言， 採用大量語料庫的系統，其合成品質較單音節為主的系統來的好。因為它的方法是直 接從語料庫擷取所需要的片段進行接合，所以在韻律表現上會較自然，也因為如此，在聲音方面所需調 整的地方就會不太多，這也避免了聲音經過調整後而造成音質破壞的疑慮。然而，採用大量語料庫的做 法也有其缺點，以下列出二個常見的問題: 1. 輸入文句需要和大量語料庫作比對： 文句經過斷詞以後，再去語料庫找尋可能的詞句片段，並取出後加以接合，然而若演算法設 計不當則會讓比對時間相對費時，所以發展一個有效率的演算法來縮短比對時間對系統的效能是非 常重要的。 2. 詞句片段之間的韻律參數差異性問題： 從不同語句所取出的片段語音檔來加以接合，因為韻律參數的不協調，會使聽者明顯感覺不 自然。 有鑑於兩種缺點的考量，本論文採用反轉檔查找技巧來降低比對時間，而以動態規劃演算法來尋找 最佳的接合片段使其合成自然度提升。這兩種方法將在第三以及第四節中論述。 2 系統架構說明 本論文所建立的中文語音合成系統架構將如下圖表示： 輸入文字 詞庫 文句分析 語言參數 韻律參 韻律產生器 數資料 語料庫尋找比對 韻律參數 語音合成器 語音檔案 輸出語音 圖1. 中文文字轉語音系統流程圖 此系統主要分為四大類： 1. 文句分析：將所輸入的文字加以分析，得到音節以及詞的語言參數。 2. 韻律產生器：將語言參數轉換成語音合成所需要的韻律參數，而韻律產生器所需要的參數資料，是 以類神經網路來獲得。 3. 語音合成器：根據韻律參數，將語料庫中所得到的語音檔案加以調整。 4. 語料庫搜尋比對：這是本論文最重要的一環，主要是將分句分析的結果和語料庫作比較查詢，並找 出最適當的語音檔案當作輸出。 2.1 文句分析 當文句輸入時，第一步驟就是針對此文句做分析，以得到其語言參數，如此才可進一步的得到韻律參數，