语音合成的原理及分类
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
参数合成法有：发音器官参数合成和声道模型 参数合成。 发音器官参数合成法： 是对人的发音过程直接进行模拟。它定义了唇、 舌、声带的相关参数，如唇开口度、舌高度、舌位 置、声带张力等，由发音参数估计声道截面积函数， 进而计算声波。 缺点：合成语音的质量不理想。
参数合成方法的优点：音库一般较小，并且整 个系统能适应的韵律特征的范围较宽，这类合成器 比特率低，音质适中。 缺点：算法复杂，参数多，并且在压缩比较大 时，信息丢失亦大，合成出的语音总是不够自然、 清晰。
9.3 共振峰合成法
共振峰语音合成器的构成原理： 将多个共振峰滤波器组合起来模拟声道的传 输特性，对激励声源发生的信号进行调制，经过 辐射得到合成语音。 基于共振峰的理论有三种实用模型。
9.3.1
级联型共振峰模型
在该模型中，声道被认为是一组串联的二阶谐 振器，共振峰滤波器首尾相接，其传递函数为各个共 振峰的传递函数相乘的结果。
1
R
r0 p
br z r ak z k
k 1
上式可分解成以下部分分式之和：
(z )
A l 1 2 B z C z l 11 l l
M
其中Al为各路的增益因子。
下图就是一个M=5的并联型共振峰模型。
A
激励源
A
A
1
2
5
1
2
+
辐射模型
语音
5
图9.3 并联型共振峰模型
第九章 语音合成
1 2 3 4 5 6
9.1 概述 9.2 语音合成的原理及分类
9.3 共振峰合成法
9.4 线性预测参数合成法 9.5 基音同步叠加法 9.6 文语转换系统
9.1 概述
语音合成是人机语声通信的一个重要组成部分， 解决让机器像人那样说话的问题。
最早的合成器是 1835 年由 W.von Kempelen 发 明，经 Weston 改进的机械式会讲话的机器。而最 早的电子式语音合成器也是 1939 年 Homer Dudley 发明的声码器，它不是简单的模拟人的生理过程， 而是通过电子线路来实现基于语音产生的源 - 滤波 器理论。
激励源
G V1 V2 ---- V5
辐射模型 语音
图9.2 共振峰级联模型
9.3.2 并联型共振峰模型
在并联型模型中，输入信号先分别进行幅度 调节，再加到每一个共振峰滤波器上，然后将各 路的输出叠加起来。
其传递函数为:
v(z)
1
R
r0 p
br z r ak z k
k 1
v(z)
五个极点的共振峰级联模型传递函数为：
( z)
5
G 1 ak z k
k 1 10
1 () z G () z G 即： i 1 2 1 b z c z i 1 i 1 i i
5
式中，G为增益因子。 一个五个极点的共振峰级联模型如下
另一种波形合成法是波形编辑合成，它把波形 编辑技术用于语音合成，通过选取音库中采取自然 语言的合成单元的波形，对这些波形进行编辑拼接 后输出。它采用语音编码技术，存储适当的语音基 元，合成时，经解码、波形编辑拼接、平滑处理等 输出所需的短语、语句或段落。
9.2.2 参数合成法
参数合成法也称为分析合成法。
在语音合成技术发展中，早期研究主要是采 用参数合成方法。 1990年提出的基音同步叠加 PSOLA方法，使 基于时域波形拼接方法合成的语音音色和自然度 大大提高。 我国的汉语语音合成研究从 80 年代初就基本 上与国际研究同步发展。大致也经历了共振峰合 成、LPC合成到应用PSOLA技术的过程。
9.2 语音合成的原理及分类
9.3.3 混合型共振峰模型
比较以上两种模型，对于大多数的元音，级 联型合乎语音产生的声学理论，并且无需为每一 个滤波器分设幅度调节；而对于大多数清擦音和 塞音，并联型则比较合适，但是其幅度调节很复 杂。于是考虑将两者结合在一起，提出了混和型 共振峰模型。
混和型共振峰模型如下图所示：
图9.4
பைடு நூலகம்
混和型共振峰模型
9.2.1 波形合成法
波形编码合成法是一种波形合成法，类似于语 音编码中的波形编解码方法，该方法直接把要合成 的语音的发音波形进行存储或者进行波形编码压缩 后存储，合成重放时再解码组合输出。 特点：所需的存储容量太大，词汇量不能很大； 相对简单，通常只能合成有限词汇的语音段。目前 用于自动报时、报站和报警等。
为了改善音质，近几年发展了混合编码技术， 以改善激励信号的质量。
9.2.3 规则合成法
规则合成方法：一种高级的合成方法，通过 语音学规则产生语音，可以合成无限词汇的语句。 合成的词汇表不是事先确定，系统中存储的是最 小的语音单位的声学参数，以及由音素组成音节、 由音节组成词、由词组成句子和控制音调、轻重 音等韵律的各种规则。 算法中，用于波形拼接和韵律控制的较有代 表性的算法是基音同步叠加PSOLA技术。
LPC,LSP共振峰
50～75 kbit/s 无限 音素、双音素、音 节 复杂
硬件主体
存储器
存储器和处理器
处理器
9.3 共振峰合成法
共振峰合成理论中声道参数、声道谐振特性 一直是研究的重点。 共振峰合成模型是把声道视为一个谐振腔， 利用腔体的谐振特性，如共振峰频率及带宽，以 此为参数构成一个共振峰滤波器。因为音色各异 的语音有不同的共振峰模式，以每个共振峰频率 及其宽带为参数，可以构成一个共振峰滤波器。
9.2.3 规则合成法
基音同步叠加PSOLA技术主要特点：
在语音波形片断拼接之前，首先根据语义，用 PSOLA 算法对拼接单元的韵律特征进行调整，使 合成波形既保持了原始语音基元的主要音段特征， 又使拼接单元的韵律特征符合语义，从而获得很高 的可懂度和自然度。
表9.1 三种语音合成方式的比较
项目 波形合成方式 参数合成方式 按规则合成方式
语音 质量
可懂度
自然度
高
高 小（500字以下）
高
中 大（数千字）
中
低 无限
词汇量
合成方法
数码率 1兆比特可合成 的语音长度 合成基元 装置
PCM,ADPCM
9.6～64kbit/s 15秒～100秒 音节、词组、句 子 简单
LPC,LSP,共振峰
2.4～9.6 kbit/s 100秒～7分 音节、词组、句子 比较复杂
参数合成方法的优点：音库一般较小，并且整 个系统能适应的韵律特征的范围较宽，这类合成器 比特率低，音质适中。 缺点：算法复杂，参数多，并且在压缩比较大 时，信息丢失亦大，合成出的语音总是不够自然、 清晰。
9.3 共振峰合成法
共振峰语音合成器的构成原理： 将多个共振峰滤波器组合起来模拟声道的传 输特性，对激励声源发生的信号进行调制，经过 辐射得到合成语音。 基于共振峰的理论有三种实用模型。
9.3.1
级联型共振峰模型
在该模型中，声道被认为是一组串联的二阶谐 振器，共振峰滤波器首尾相接，其传递函数为各个共 振峰的传递函数相乘的结果。
1
R
r0 p
br z r ak z k
k 1
上式可分解成以下部分分式之和：
(z )
A l 1 2 B z C z l 11 l l
M
其中Al为各路的增益因子。
下图就是一个M=5的并联型共振峰模型。
A
激励源
A
A
1
2
5
1
2
+
辐射模型
语音
5
图9.3 并联型共振峰模型
第九章 语音合成
1 2 3 4 5 6
9.1 概述 9.2 语音合成的原理及分类
9.3 共振峰合成法
9.4 线性预测参数合成法 9.5 基音同步叠加法 9.6 文语转换系统
9.1 概述
语音合成是人机语声通信的一个重要组成部分， 解决让机器像人那样说话的问题。
最早的合成器是 1835 年由 W.von Kempelen 发 明，经 Weston 改进的机械式会讲话的机器。而最 早的电子式语音合成器也是 1939 年 Homer Dudley 发明的声码器，它不是简单的模拟人的生理过程， 而是通过电子线路来实现基于语音产生的源 - 滤波 器理论。
激励源
G V1 V2 ---- V5
辐射模型 语音
图9.2 共振峰级联模型
9.3.2 并联型共振峰模型
在并联型模型中，输入信号先分别进行幅度 调节，再加到每一个共振峰滤波器上，然后将各 路的输出叠加起来。
其传递函数为:
v(z)
1
R
r0 p
br z r ak z k
k 1
v(z)
五个极点的共振峰级联模型传递函数为：
( z)
5
G 1 ak z k
k 1 10
1 () z G () z G 即： i 1 2 1 b z c z i 1 i 1 i i
5
式中，G为增益因子。 一个五个极点的共振峰级联模型如下
另一种波形合成法是波形编辑合成，它把波形 编辑技术用于语音合成，通过选取音库中采取自然 语言的合成单元的波形，对这些波形进行编辑拼接 后输出。它采用语音编码技术，存储适当的语音基 元，合成时，经解码、波形编辑拼接、平滑处理等 输出所需的短语、语句或段落。
9.2.2 参数合成法
参数合成法也称为分析合成法。
在语音合成技术发展中，早期研究主要是采 用参数合成方法。 1990年提出的基音同步叠加 PSOLA方法，使 基于时域波形拼接方法合成的语音音色和自然度 大大提高。 我国的汉语语音合成研究从 80 年代初就基本 上与国际研究同步发展。大致也经历了共振峰合 成、LPC合成到应用PSOLA技术的过程。
9.2 语音合成的原理及分类
9.3.3 混合型共振峰模型
比较以上两种模型，对于大多数的元音，级 联型合乎语音产生的声学理论，并且无需为每一 个滤波器分设幅度调节；而对于大多数清擦音和 塞音，并联型则比较合适，但是其幅度调节很复 杂。于是考虑将两者结合在一起，提出了混和型 共振峰模型。
混和型共振峰模型如下图所示：
图9.4
பைடு நூலகம்
混和型共振峰模型
9.2.1 波形合成法
波形编码合成法是一种波形合成法，类似于语 音编码中的波形编解码方法，该方法直接把要合成 的语音的发音波形进行存储或者进行波形编码压缩 后存储，合成重放时再解码组合输出。 特点：所需的存储容量太大，词汇量不能很大； 相对简单，通常只能合成有限词汇的语音段。目前 用于自动报时、报站和报警等。
为了改善音质，近几年发展了混合编码技术， 以改善激励信号的质量。
9.2.3 规则合成法
规则合成方法：一种高级的合成方法，通过 语音学规则产生语音，可以合成无限词汇的语句。 合成的词汇表不是事先确定，系统中存储的是最 小的语音单位的声学参数，以及由音素组成音节、 由音节组成词、由词组成句子和控制音调、轻重 音等韵律的各种规则。 算法中，用于波形拼接和韵律控制的较有代 表性的算法是基音同步叠加PSOLA技术。
LPC,LSP共振峰
50～75 kbit/s 无限 音素、双音素、音 节 复杂
硬件主体
存储器
存储器和处理器
处理器
9.3 共振峰合成法
共振峰合成理论中声道参数、声道谐振特性 一直是研究的重点。 共振峰合成模型是把声道视为一个谐振腔， 利用腔体的谐振特性，如共振峰频率及带宽，以 此为参数构成一个共振峰滤波器。因为音色各异 的语音有不同的共振峰模式，以每个共振峰频率 及其宽带为参数，可以构成一个共振峰滤波器。
9.2.3 规则合成法
基音同步叠加PSOLA技术主要特点：
在语音波形片断拼接之前，首先根据语义，用 PSOLA 算法对拼接单元的韵律特征进行调整，使 合成波形既保持了原始语音基元的主要音段特征， 又使拼接单元的韵律特征符合语义，从而获得很高 的可懂度和自然度。
表9.1 三种语音合成方式的比较
项目 波形合成方式 参数合成方式 按规则合成方式
语音 质量
可懂度
自然度
高
高 小（500字以下）
高
中 大（数千字）
中
低 无限
词汇量
合成方法
数码率 1兆比特可合成 的语音长度 合成基元 装置
PCM,ADPCM
9.6～64kbit/s 15秒～100秒 音节、词组、句 子 简单
LPC,LSP,共振峰
2.4～9.6 kbit/s 100秒～7分 音节、词组、句子 比较复杂