重音的自动检测和TTS系统中重音效果体现

摘要

轻重音的研究是使得现有语音合成系统能够进一步提高其表现力的关键,也是国内语音合成领域研究的热点,同时也是语音感情色彩研究的基础.该文的研究工作主要集中在轻重音的自动检测、轻重音表达效果在系统中的体现.主要研究内容包括:将词性信息有效地利用到轻重音检测模型中.因为国内外研究表明词性是提高韵律模型效果的一个非常关键属性,但如何在韵律模块中有效地利用词性信息一直未得到解决.文中采用统计学方法分析、建立了不同词性在韵律参数上的二维相似度表格,并将此结果直接应用到基于CART的和基于贝叶斯的重音检测模型中,实验结果表明:利用二维相似度表格提供的先验知识,两种重音检测模型的效果都有较大的提高.轻重音自动检测模型的研究.因为重音的自动检测对合成更丰富的语音具有重要意义,同时可以显著提高语料库中重音的标注效率和标注结果的一致性.文中通过对影响重音的参数进行分析,得到和短语重音相关性较强的一组声学参数、韵律环境参数,尤其是引入了基频曲线形状参数.以这些参数作为输入,通过不同的机器学习方法建立检测模型并进行相互比较,选择其中性能最优的分类器,最后通过利用先验的重音连接概率信息,有效地提高了整个模型的效果.语音合成系统中轻重表现力的体现.现有的语音合成系统是基于单元挑选,而单元挑选算法是基于代价的一个全连接体系,该文提出在现有的代价体系中加入与重音相关的代价,通过自动训练的方法获得代价权值,同时也采用手工调整代价方法,最后利用主观评测方法对上述方法得到的效果与原系统进行比较,结果证明表达力效果有一定的提升,但还需要未来更深入的研究.

目录

Abstract

第一章绪论

1.1语音合成研究的历史回顾

1.1.1物理机理语音合成

1.1.2源—滤波器合成

1.1.3波形编辑语音合成

1.2中文语音合成系统概述

1.2.1 TTS系统的基本原理

1.3中文TTS系统的发展历程及现状

第二章本文研究意义及内容

2.1研究意义及内容

2.2国内外研究现状

第三章机器学习和统计学方法介绍

3.1神经网络

3.2决策树

3.3贝叶斯简介

3.4支持向量机简介

3.5线性回归模型简介

3.6相关统计学方法介绍

3.6.1均值比较和检验

3.6.2单因素方差分析

3.7 Viterbi算法

第四章词性相似度的研究

4.1引言

4.2统计分析

4.2.1词性间韵律参数相似度的总体分析

4.2.2考虑高层韵律属性对相似度分析

4.2.3对上述原因的分析

4.3利用模型验证分析结果的有效性

4.4结论

第五章重音的自动检测

5.1重音标注体系的确立

5.2属性的分析与选择

5.3自动检测模型的建立

5.4总结

第六章系统中重音效果的体现

6.1引言

6.2代价体系的调整

6.3代价训练方法

6.4效果测评

6.5总结

第七章总结

参考文献

附录：硕士阶段发表论文

致谢