結合HMM頻譜模型與ANN韻律模型之國語語音合成系統

AMandarin Speech Synthesis System Combining HMM SpectrumModel and ANN Prosody Model

本論文研究了一種結合HMM（hidden Markov model）頻譜模型與ANN（articifical neural network）韻律模型的國語語音合成系統。在訓練階段，對各個訓練語料音框算出DCC係數（discrete cepstrum coefficients），以作為頻譜特徵參數，接著對於一種音節的多個發音，依DTW（dynamic time warping）匹配出的頻譜演進路徑作分群，各群建立一個HMM，並記錄各音節發音的文依性資訊。在合成階段，首先依據文依性資訊挑選出輸入文句各音節的HMM模型，接著判定音節HMM的各個狀態為無聲、或有聲，然後使用音長ANN模型及狀態平均音長來決定HMM各狀態應該產生的音框數。除了前人提出的MLE（maximum likelihood estimate）法，我們另外研究二種內插方法來產生各音框的DCC係數，以讓語音合成的速度達到即時處理。接著依據DCC係數轉出的頻譜包絡，及ANN產生出的基週軌跡與音長，去控制HNM（harmonic-plus-noise model）作語音信號的合成。聽測實驗的結果顯示，使用所提出的加權式線性內插法來產生DCC係數，合成出的語音信號比起使用MLE法的，可以得到一些自然度的改進；另外，使用ANN音長參數，也比使用HMM狀態本身的平均音長，會獲得明顯較高的自然度。