论文部分内容阅读
语音合成技术是指通过机器将自然文本转换为语音信号的技术,是人工智能技术的重要组成部分之一,在人机交互中占据不可或缺的地位。语音合成技术发展至今,已经形成了基于波形拼接合成和统计参数合成两大主流方法。前者通过分析文本韵律特征,从语音库中挑选出候选的单元波形进行拼接,从而得到合成语音,这种方法合成的语音质量较高,但是需要建立对应的语音库,成本比较高,可移植性差。后者通过利用隐马尔科夫技术对文本和语音进行参数建模,预测合成语音的声学特征,并且通过声码器重建语音,但是这种方法比较依赖声码器的质量,而且合成的语音自然度不够。近年来,基于深度学习的语音合成技术成为当下语音合成领域的研究热点之一,并且逐渐展现出卓越的性能优势。基于以上的研究背景,本论文围绕基于深度学习方法的语音合成技术展开研究工作,探索高效的中文广告文本语音合成技术,并构建了对应的语音合成系统。该语音合成系统包含两个主要模块:文本到声学特征的预测模块和将声学特征转换为语音的声码器模块。在文本到声学特征预测模块研究中,论文以端到端的声学特征预测技术为研究基础,针对声学特征预测速度慢的问题,论文提出了将独立循环神经网络引入预测模块的方法,提高了声学特征的预测速度。同时,在基于端到端的声学特征预测技术研究中论文发现,基于端到端的声学特征预测技术虽然可以简化声学特征预测流程,但是最终合成出的声音比较单调,缺少韵律信息。针对这一问题,论文通过引进Lattice LSTM网络的方法,对文本的字词,韵律等信息进行融合,丰富了合成语音的细节。在声学特征到语音的转换研究中,论文探究了基于自回归深度生成网络的WaveNet模型。针对其预测速度慢的问题,论文引进了基于逆自回归流的并行WaveNet技术,使声码器可以实时的将声学特征转换为对应的语音。同时论文提出了基于说话人标识的多人语音合成技术,提高了模型训练效率,降低了模型对单人语料时长的依赖性。针对中文广告文本领域的语音合成,论文形成了完整的合成流程,搭建了面向中文广告文本的语音合成系统,可以根据广告文本合成清晰流畅的广告语音。