语音表现力的感知分析研究-清华大学.PDFVIP

∗ 语音表现力的感知分析研究 1,2+ 1 1 杨鸿武 , 蔡莲红 , 蒋丹宁 1(清华大学计算机系,北京市 100084) 2(西北师范大学物理与电子工程学院,甘肃省兰州市 730070) 摘 要: 为了增加 TTS 系统的表现力，本文利用“有效性”和“一致性”实验研究了5 种情感和 3 种风格的语音特征在感知上的作用，并统计分析了3 种风格语音的时域特征。结果表明，基频和时长 等时域特征在风格和情感的表达中起到显著的作用，为合成出具有风格和情感表现的语句，需要优先 对风格和情感的韵律特征建模。 关键词: 表现力语音合成；情感；风格；TTS 1.引言 对于人机交互来说，理想的合成语音不仅要能将“字”读正确，而且要能够表达出 “言外之意”，不仅仅是“说什么”，更重要的是“说话的时候意味着什么”，也就是能 够根据情境表达出合适的语义信息。在这里，“情境”不仅指文本内容，还应包括交互 内容、交互背景、交互对象、交互场景、语体风格等多方面的因素，所有这些都影响着 言语的表达。比如，如果通过 TTS 陈述一些事实、道理（播报一般新闻），希望听者明 知，则需要合成语音的语调平稳，声音清晰；要解说体育比赛，则合成语音应该表现出 激情；而机场的信息广播系统，则需要语气平缓，字真意切。 语言的语音表现丰富多彩，我们认为，可以从三个方面研究语音表现：情感、风格 和个性。情感是由心理－生理变化引起的情绪反应，这导致说话人的音质以及韵律特征 的改变；风格是由说话者要表达的内容以及说话的情境所决定的某种表达模式；个性是 由说话人的生理特征和发音习惯决定的，这反映在音质参数上。情感、风格和个性形成 的语音表达是相对独立又不可分割的三个方面。通常，个性和风格是指相对稳定的、全 局的语音表现；而情感重在表现变化，它更多是一种短时的、局部的语音现象。情感、 风格和个性的相互联系表现为：人们可以借助风格传递情感；同一个人也可以不时变换 说话风格与情感；不同人表达情感内涵的语音表征不尽相同。因此，如果合成语音能够 合成不同人、不同风格的情感语音，则会使人机交互更为和谐。 * 本工作由国家自然科学基金 60418012 ）资助 * 杨鸿武, Email:yang-hw03@mails.tsinghua.edu.cn 在语音合成的研究中，人们关注可懂度和清晰度，追求自然度。目前，数据驱动的 拼接式文语转换（TTS ）系统虽然可以达到很高的可懂度和清晰度，但还缺乏自然度。 因此，这一领域的研究重点开始转向提高合成语音的自然度，试图为合成语音增加情感、 变换风格，以促进人机交互的发展[1] 。拼接式语音合成系统参数的修改范围小，难以满 足语音表现的需求。为了进一步提高拼接合成系统的表现力，一方面研究直接修改语音 信号的算法。利用 PSOLA 、HNM[2]、HMM[3]、STRAIGHT[4]等方法，对中性的语音信 号进行修改以产生目标风格和情感的语音。信号处理的方法造成音质的下降，而且频域 参数的修改难以达到理想的目标。另一方面，人们期望通过录制不同人的不同情感、风 格的目标语音库来实现富有表现力的合成语音。这虽然能维持信号的质量，但是录制不 同风格和情感的语音库的代价太高[1] 。如果只录制小规模的情感和风格目标语音库，就 不能保证找到合适的基元。 为了增加 TTS 系统的表现力，本文利用“有效性”和“一致性”实验研究了 5 种情 感和 3 种风格的语音特征在感知上的作用，并统计分析了 3 种风格语音的时域特征。结 果表明，基频、时长等时域特征在风格和情感的表达中起到显著的作用，因此，只对风 格和情感语音的韵律特征建模，就可以在一定程度上合成出具有风格和情感表现的语 句，这样可以减小录制语音库的代价。 2．情感与风格的表示 [5] 对于情感，目前有两种主要的表示方法，一是离散表示方法，二是维度表示方法 。 离散表示方法将情感空间划分为若干个离散的范围，并用