發(fā)布時間：2018-11-20 18:53

【摘要】：跨語言語音合成能夠?qū)崿F(xiàn)在同一個語音合成系統(tǒng)中合成出不同語言的語音,成為了語音信號處理領(lǐng)域的研究熱點。目前,西北師范大學(xué)已經(jīng)實現(xiàn)了漢語普通話和藏語拉薩方言雙語語音合成系統(tǒng)。為了研究漢藏雙語跨語言語音合成系統(tǒng)合成的不同語言不同說話人的語音質(zhì)量優(yōu)劣,本論文實現(xiàn)了一個漢藏雙語跨語言的語音合成系統(tǒng),在此基礎(chǔ)上對不同語音合成方案下合成出的漢藏雙語語音音質(zhì)進行了主客觀評測,并提出了一種利用說話人識別和語音識別對說話人相似度和合成語音音質(zhì)進行評測的方法。論文的主要工作和創(chuàng)新如下:1.設(shè)計了漢藏雙語語音合成方案,實現(xiàn)了一個漢藏雙語跨語言語音合成系統(tǒng)。設(shè)計了漢語普通話和藏語拉薩方言的語音語料庫、文本語料,上下文屬性標注格式以及上下文相關(guān)的問題集,利用說話人自適應(yīng)訓(xùn)練的方法訓(xùn)練了漢藏雙語語音的聲學(xué)模型,利用聲碼器合成出語音。2.評測了不同語音合成方案合成的漢語普通話語音和藏語拉薩方言語音的音質(zhì)。采用主觀評測方法和客觀評測方法。主觀評測方法包括平均意見得分、差異平均意見得分、相對平均意見得分以及診斷押韻測試;客觀評測方法包括基頻參數(shù)測量、時長參數(shù)測量以及感知語音質(zhì)量評估。結(jié)果表明,參加說話人自適應(yīng)訓(xùn)練的普通話語句為110句、藏語語句為300句時,合成的漢語普通話和藏語拉薩方言語音的質(zhì)量較高。3.提出了一種采用說話人識別技術(shù)評測漢藏雙語跨語言語音合成系統(tǒng)合成的不同說話人語音相似度的評測方法。以高斯混合模型為聲學(xué)模型,結(jié)合傳統(tǒng)的短時處理技術(shù)和經(jīng)驗?zāi)B(tài)分解來獲得聲學(xué)特征,訓(xùn)練了一個說話人識別系統(tǒng)。結(jié)果表明,當參加說話人自適應(yīng)訓(xùn)練的漢語普通話語句為110句時,合成語音的說話人識別率達到88.89%,當參加自適應(yīng)訓(xùn)練的藏語語句300句時,合成語音的說話人識別率為94.44%。4.提出了一種利用語音識別技術(shù)進行漢藏雙語跨語言語音合成系統(tǒng)的合成語音音質(zhì)評測方法。采用了5狀態(tài)的連續(xù)隱Markov模型為基元的聲學(xué)模型,采用13維的Mel頻率倒譜系數(shù)及其一階差分和二階差分形成一個13×3維的特征向量來訓(xùn)練聲學(xué)模型。結(jié)果表明,當參加說話人自適應(yīng)訓(xùn)練的普通話語句為110句時,合成語音的語音識別率為96.41%,當參加自適應(yīng)訓(xùn)練的藏語語句300句時,合成語音的語音識別率為91.27%。
[Abstract]:Cross-language speech synthesis, which can synthesize different languages in the same speech synthesis system, has become a research hotspot in the field of speech signal processing. At present, Northwest normal University has implemented the bilingual phonetic synthesis system of Mandarin and Tibetan Lhasa dialect. In order to study the speech quality of different speakers in different languages synthesized by Chinese-Tibetan bilingual speech synthesis system, a Chinese-Tibetan bilingual cross-language speech synthesis system is implemented in this paper. On this basis, the sound quality of Chinese-Tibetan bilingual speech synthesized under different speech synthesis schemes is evaluated subjectively and objectively, and a method of speaker similarity and synthetic speech quality evaluation using speaker recognition and speech recognition is proposed. The main work and innovation are as follows: 1. A Chinese-Tibetan bilingual speech synthesis scheme is designed and a Chinese-Tibetan bilingual cross-language speech synthesis system is implemented. The phonetic corpus, text corpus, contextual attribute tagging format and context-related problem set of Chinese Putonghua and Tibetan Lhasa dialect are designed, and the acoustic model of Chinese-Tibetan bilingual speech is trained by the method of speaker adaptive training. Using vocoder to synthesize speech. 2. The phonological quality of Chinese Putonghua and Tibetan Lhasa dialect synthesized by different speech synthesis schemes was evaluated. Subjective evaluation method and objective evaluation method are adopted. Subjective evaluation methods include average opinion score, difference average opinion score, relative average opinion score and diagnostic rhyme test; objective evaluation methods include fundamental frequency parameter measurement, duration parameter measurement and perceptual speech quality evaluation. The results show that the quality of the synthesized Mandarin and Tibetan Lhasa dialect is higher than that of Tibetan Lhasa dialect when 110 Putonghua sentences and 300 Tibetan sentences are used to participate in speaker adaptive training. This paper presents a method to evaluate the speech similarity of different speakers in Chinese-Tibetan bilingual speech synthesis system by using speaker recognition technology. A speaker recognition system was trained by using Gao Si mixed model as acoustic model, combined with traditional short-time processing techniques and empirical mode decomposition to obtain acoustic features. The results show that the speaker recognition rate of synthesized speech is 88.89 when the Chinese Putonghua sentence in adaptive training is 110 sentences, and when 300 Tibetan sentences participate in adaptive training. The speaker recognition rate of synthetic speech is 94.44. 4. In this paper, a method for evaluating the sound quality of Chinese and Tibetan bilingual speech synthesis system based on speech recognition is presented. The continuous hidden Markov model with 5 states is used as the elementary acoustic model. The 13 D Mel frequency cepstrum coefficient and its first order difference and second order difference are used to form a 13 脳 3 dimensional eigenvector to train the acoustic model. The results show that the speech recognition rate of synthetic speech is 96.41 when the Putonghua sentence in speaker adaptive training is 110 sentences, and 91.27 when Tibetan language sentence is 300 sentences in adaptive training.
【學(xué)位授予單位】：西北師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN912.3

【相似文獻】

相關(guān)期刊論文 前10條

1 王立鋒;廖琪梅;苗丹民;;合成語音感知學(xué)習(xí)模型的建立和效應(yīng)驗證[J];第四軍醫(yī)大學(xué)學(xué)報;2006年04期

2 霍飛;阿尼·庫珀;;機械合成語音,能最終實現(xiàn)嗎?[J];世界科學(xué);2012年02期

3 趙博,蔡蓮紅;合成語音自然度客觀測度[J];計算機工程與應(yīng)用;2005年07期

4 華一滿;;合成語音在智能儀器中的應(yīng)用[J];電子技術(shù);1992年07期

5 宋潔;;語音輸出使未來的通訊越來越方便[J];航空計算技術(shù);1985年02期

6 鄧正良;一種靈活合成語音庫語音的方法[J];廣西氣象;2000年04期

7 陳聯(lián)武;郭武;戴禮榮;;聲紋識別中合成語音的魯棒性[J];模式識別與人工智能;2011年06期

8 高正平;徐駿宇;黃漢輝;;PWM在合成語音輸出電路中的應(yīng)用[J];電子科技大學(xué)學(xué)報;2006年01期

9 余志才,邵志標;PWM方式輸出合成語音[J];半導(dǎo)體技術(shù);2001年12期

10 劉惠華,潘建軍,周冰,范京;稀疏譜線合成對元音頻域信息分布的探討[J];北京機械工業(yè)學(xué)院學(xué)報;2005年01期

相關(guān)會議論文 前6條

1 呂士楠;林凡;張連毅;;基于大語音庫的拼接合成語音特征分析[A];新世紀的現(xiàn)代語音學(xué)——第五屆全國現(xiàn)代語音學(xué)學(xué)術(shù)會議論文集[C];2001年

2 鮑懷翹;王安紅;呂士楠;鄭玉玲;;普通話合成語音評估方法研究[A];第七屆全國人機語音通訊學(xué)術(shù)會議（NCMMSC7）論文集[C];2003年

3 許潔萍;王安紅;鮑懷翹;鄭玉玲;陳明;呂士楠;;漢語合成語音評測實驗研究[A];第八屆全國人機語音通訊學(xué)術(shù)會議論文集[C];2005年

4 初敏;;韻律研究與合成語音的自然度[A];新世紀的現(xiàn)代語音學(xué)——第五屆全國現(xiàn)代語音學(xué)學(xué)術(shù)會議論文集[C];2001年

5 初敏;呂士楠;;一種將PSOLA算法與語音正弦模型結(jié)合的合成方法[A];第五屆全國人機語音通訊學(xué)術(shù)會議論文集[C];1998年

6 黃玫;李雙田;;一種改進的正弦分析／合成語音方法及在音頻時域修正中的應(yīng)用[A];2006年聲頻工程學(xué)術(shù)交流會論文集[C];2006年

相關(guān)重要報紙文章 前1條

1 IDG電訊;XML：位于逐漸成形的Web服務(wù)中心[N];計算機世界;2002年

相關(guān)博士學(xué)位論文 前1條

1 黃平牧;中文TTS系統(tǒng)中若干關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2008年

相關(guān)碩士學(xué)位論文 前6條

1 徐世鵬;藏語統(tǒng)計參數(shù)語音合成的合成語音的音質(zhì)評測[D];西北師范大學(xué);2015年

2 張策;漢藏雙語合成語音音質(zhì)評測的研究[D];西北師范大學(xué);2016年

3 王家麗;嵌入式漢語合成語音庫的構(gòu)建與搜索[D];山東大學(xué);2008年

4 楊心yN;歌聲合成技術(shù)與應(yīng)用探究[D];南京藝術(shù)學(xué)院;2015年

5 唐金峰;電話語音的頻帶擴展[D];蘇州大學(xué);2009年

6 李蕾;關(guān)于可編程流程的IVR系統(tǒng)的研究與設(shè)計[D];四川大學(xué);2005年

，

本文編號：2345693