语音合成论文

姓名：孙亚非学号：201120195010摘要：本文介绍了语音合成技术的发展过程及其现状，及其目前常用的一一些合成的方法（共振峰合成，LPC参数合成，PSOLA合成技术,LMA声道模型）。还介绍了语音合成技术的一些应用。

关键词：语音合成；LPC;PSOLA;LMA;应用

Abstract：The article describes the development progress of a speech synthesis technology and the status quo ,and the most commonly used synthetic methods(Formant synthesis ,LPC parameter synthesis ,PLOSA synthesis technology ,LMA-channel model).Also describes some applications of speech synthesis technology.

Keywords：speech synthesis; LPC;PSOLA;LMA; application

1.前言

语音合成[1]是通过机械的、电子的方法产生人造语音的技术。TTS技术（又称文语转换技术）隶属于语音合成，它是将计算机自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出的技术。语音合成是人机语音通信的一个重要组成部分。语音合成研究的目的是制造一种会说话的机器，它解决的是如何让机器象人那样说话的问题，使一些以其它方式表示或存储的信息能转换为语音，让人们能通过听觉而方便地获得这些信息。

语音合成和语音识别技术是实现人机语音通信，建立一个有听和讲能力的口语系统所必需的两项关键技术。使电脑具有类似于人一样的说话能力，是当今时代信息产业的重要竞争市场。和语音识别相比，语音合成的技术相对说来要成熟一些，并已开始向产业化方向成功迈进，大规模应用指日可待。语音合成，能将任意文字信息实时转化为标准流畅的语音朗读出来，相当于给机器装上了人工嘴巴。

2.发展历程及其现状的概述[1,2,5]

纵观语音合成技术的研究已有二百多

年的历史，早在现代电子信号处理技术发明以前，人们就开始试图建造发出人类语音的机器和机械设备，比如Gerbert、Albertus Magnus和Roger Bacon制造的“speaking head”。以后又有人制造出可以发出元音和辅音的机器。

1930年，贝尔实验室开发了声音编码器。这是一个用键盘操作的电子语音分析器和合成器。第一个基于计算机的语音合成系统在50年代后期诞生。第一个完整的TTS系统在1968年完成。从那时起，语音合成技术经历了各种各样的改进。在语音合成技术的发展过程中，早期的研究主要是采用参数合成方法，后来随着计算机技术的发展又出现了波形拼接的合成方法。

2.1参数合成

在语音合成技术的发展中，早期的研究主要是采用参数合成方法。值得提及的是Holmes的并联共振峰合成器（1973）和Klatt 的串/并联共振峰合成器（1980），只要精心调整参数，这两个合成器都能合成出非常自然的语音。最具代表性的文语转换系统当数美国DEC公司的DECtalk（1987）。但是经过多年的研究与实践表明，由于准确提取共振峰参数比较困难，虽然利用共振峰合成器可以得到许多逼真的合成语音，但是整体合成语音的音质难以达到文语转换系统的实用要求。

2.2波形拼接

自八十年代末期至今，语言合成技术又有了新的进展，特别是基音同步叠加（PSOLA）方法的提出（1990），使基于时域波形拼接方法合成的语音的音色和自然度大大提高。九十年代初，基于PSOLA技术的法语、德语、英语、日语等语种的文语转换系统都已经研制成功。这些系统的自然度比以前基于LPC方法或共振峰合成器的文语合成

系统的自然度要高，并且基于PSOLA方法的

合成器结构简单易于实时实现，有很大的商用前景。国内的汉语语音合成研究起步较晚些，但从八十年代初就基本上与国际上研究同步发展。大致也经历了共振峰合成、LPC 合成至应用PSOLA技术的过程。在国家863计划，国家自然科学基金委，国家中国科学院有关项目等支持下，汉语文语转换系统研究近年来取得了令人举目的进展，其中不乏成功的例子：如中国科学院声学所的KX-PSOLA（1993）, 联想佳音（1995）；清华大学的TH_SPEECH (1993)；中国科技大学的KDTALK（1995）等系统。这些系统基本上都是采用基于PSOLA方法的时域波形拼接技术，其合成汉语普通话的可懂度、清晰度达到了很高的水平。然而同国外其它语种的文语转换系统一样，这些系统合成的句子及篇章语音机器味较浓，其自然度还不能达到用户可广泛接受的程度，从而制约了这项技术的大规模进入市场。

3. 语音合成技术常用方法及其比较3.1共振峰合成[1]

语音合成的理论基础是语音生成的数学模型。该模型语音生成过程是在激励信号的激励下，声波经谐振腔（声道），由嘴或鼻辐射声波。因此，声道参数、声道谐振特性一直是研究的重点。在图1所示的某一语言的频率响应图中，标有Fp1、Fp2、Fp3... 处为响应的极点，此时，声道的传输频率响应有极大值。习惯上，把声道传输频率响应上的极点称为共振峰，而语音的共振峰频率（极点频率）的分布特性决定着该语音的音色。音色各异的语音具有不同的共振峰模式，因此，以每个共振峰频率及其带宽作为参数，可以构成共振峰滤波器。再用若干个这种滤波器的组合来模拟声道的传输特性（频率响应），对激励源发出的信号进行调制，再经过辐射模型就可以得到合成语音。这就是共振峰合成技术的基本原理。

基于共振峰的理论有以下三种实用模型。

（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。该模型主要用于绝大部分元音的合成。

（2）并联型共振峰模型。许多研究者认为，对于鼻化元音等非一般元音以及大部分辅音，上述级联型模型不能很好地加以描述和模拟，因此，构筑和产生了并联型共振峰模型。

（3）混合型共振峰模型。在级联型共振峰合成模型中，共振峰滤波器首尾相接；而在并联型模型中，输入信号先分别通过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。将两者比较，对于合成声源位于声道末端的语音（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；而对于合成声源位于声道中间的语音（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。基于此种考虑，人们将两者结合在一起，提出了混和型共振峰模型。如图2所示：

事实上，上述三种共振峰模型在实际中都得到了成功的应用。例如：Fant 的OVE 系统就采用了级联型的共振峰模型；Holmes 合成器采用的是并联型的共振峰模型；而最为典型也是最为成功的Klatt 合成器则构筑在混合型共振峰模型的基础之上。在汉语语音合成方面，研究人员研制出了一些基于共振峰模型的成功的应用系统。如社科院语言所的 SIFS 合成器、中