語音合成技術(shù)的發(fā)展歷程與理論研究

王順利　付嘉銘　夏長春

摘 要 近年來，語音合成技術(shù)中的波形拼接算法被廣泛地運用在各個國家的技術(shù)前沿。大多數(shù)的實驗研究結(jié)果表明波形拼接算法具有可靠的實用性，所以在市場中已經(jīng)具有許多語音合成產(chǎn)品，這些產(chǎn)品對人們的日常生活和工作的各個方面有很大的影響。

關(guān)鍵詞 語音合成 發(fā)音 自然度 時域波形 語音庫

中圖分類號：TN912 文獻標(biāo)識碼：A

1語音合成技術(shù)的發(fā)展歷程

隨著語音合成的要求越來越高，語音學(xué)家對語音合成的研究技術(shù)不斷更新。早期研究利用合成語音的參數(shù)方法，以提高它的LSP，LPC和其他言語參數(shù)。這些都反映在越來越多和越來越嚴(yán)格的語音合成系統(tǒng)應(yīng)用，現(xiàn)在不僅對語音合成有連貫性的要求，而且還有更高的需求。

上世紀(jì)60年代TTS英文版系統(tǒng)被成功研制。在80年代，我國也開始研究中文TTS。中國科技大學(xué)，社會科學(xué)院，中國科學(xué)院，清華大學(xué)等所有單位都在TTS的研究領(lǐng)域中不懈努力奮斗。不僅如此，在中國臺灣的著名大學(xué)，如臺灣大學(xué)和臺灣交通大學(xué)也開始在語音系統(tǒng)領(lǐng)域中研究。甚至一些研究成果已成為產(chǎn)品在現(xiàn)實中使用。同時，在世界主要國家也已經(jīng)開發(fā)相應(yīng)的產(chǎn)品。

上世紀(jì)80年代后期和，科學(xué)家就開始對修改語音合成技術(shù)的時域波形進行研究，即PSOLA（基音同步疊加）技術(shù)。其主要特點是：在銜接語音波形段，首先按照上下文，根據(jù)拼接單元與PSOLA算法調(diào)整的韻律特征，合成波形不僅保持主音發(fā)音段的功能，并能與環(huán)境做出韻律特征的拼接單元，從而獲得可懂度和自然度很高的合成語音。PSOLA技術(shù)有了很大的發(fā)展和廣泛的應(yīng)用。為了提高合成語音的質(zhì)量，人們開發(fā)了語音波形拼接技術(shù)，該技術(shù)主要用于一些語音信號的參數(shù)如音高，而不是語音參數(shù)波形。這項技術(shù)能合成出更加自然的語音。

在上世紀(jì)90年代，比LPC語音合成技術(shù)和共振峰技術(shù)更優(yōu)越的技術(shù)已經(jīng)誕生，利用該項技術(shù)合成的中文與英文顯得更加自然，并已經(jīng)被廣泛應(yīng)用于商業(yè)領(lǐng)域。近年來，人們在研究通過數(shù)據(jù)庫建立的語音合成算法。只要應(yīng)用數(shù)據(jù)庫就可以進行基本的語音單元合成，可以更方便的進行語音信號的拼接合成。對于確定合成語音質(zhì)量，語音庫中起著非常重要的作用。多種感情的語音單元是各種情況下語音數(shù)據(jù)庫的唯一入口，從而合成了一種任意語句。因此，語音數(shù)據(jù)庫的容量必須足夠大。這種合成語音的自然度將有較大的升級。

現(xiàn)在，隨著語言學(xué)的不斷發(fā)展，語音合成技術(shù)已經(jīng)從最初對語音內(nèi)容清晰度和連貫性的要求，逐漸演變成對語音的自然特性的高度追求。如何將合成后的語音顯得自然是科學(xué)家們越來越關(guān)注的話題，但現(xiàn)在的語音技術(shù)仍不能滿足人們的需求，因此，目前眾多產(chǎn)品制造商正在對語音合成自然度不斷創(chuàng)新。所以。語音合成在未來具有更大的商業(yè)市場和機會。世界各個主要國家都對語音合成技術(shù)做了集中的大量研究，技術(shù)已經(jīng)達到了一個較高的水平，雖然我國現(xiàn)在語音合成技術(shù)較為弱后，但在不久的將來，隨著國家對語音技術(shù)的重視程度將會不斷提高，人們對語音的自然度要求就會有更高的重視程度，中國將有越來越多的企業(yè)和部門從事語音合成技術(shù)的研究。我國將在語音合成方面將會和國外長期競爭，并會在這樣一個良性的競爭中獲得更加先進的技術(shù)。

2語音合成技術(shù)的理論

語音合成技術(shù)已越來越多地在現(xiàn)代社會中得以應(yīng)用，大大提高了人民的生活質(zhì)量。如電話號碼查詢，計算機應(yīng)用，旅行的火車與飛機班次語音查詢等。

語音合成是利用語音處理技術(shù)來建立數(shù)字語音模型，模型首先通過激勵信號，在人體器官中傳遞聲音，隨后發(fā)出聲音。語音合成技術(shù)可以根據(jù)不同的規(guī)則分為不同的類型，如信道模型參數(shù)法，語音參數(shù)法和波形拼接法。波形拼接法是銜接語音信號和易懂的語音信號，從而合成信號強度和自然度高的語音信號。

LPC技術(shù)是將時域中的信號在保證傳輸率的基礎(chǔ)上，來完善時域波形的技術(shù)處理方法。LPC技術(shù)的優(yōu)點和缺點非常清晰，它具備簡潔和易于處理的算法，然而它僅僅是一個簡單的解碼語音信號，只能實現(xiàn)一定程度上的語音連接。同時，波形拼接技術(shù)的最大特征是利用一些語音波形的數(shù)據(jù)來存儲所有相關(guān)的語音信息，所以對語音自然度的提升將起到很大的作用。但要合成單音節(jié)或充滿感情的語句有在有些情況時是很難妥善處理的，如果單獨的音節(jié)或詞在充滿感情的語句中進行處理，顯然其綜合素質(zhì)將受到一定的影響。

上個世紀(jì)末，科學(xué)家們提出了一個語音波形拼接的有效方法，即基音同步疊加技術(shù)（PSOLA），可以解決上述問題，給語音處理技術(shù)帶來了一股新鮮血液。該技術(shù)主要是對語音信號的持續(xù)時間，強度，頻率，時間等參數(shù)進行控制。而這些語音信號參數(shù)的改善對語音信號處理非常重要。所以LPC技術(shù)與PSOLA技術(shù)在控制韻律詞的修飾方面有更多的優(yōu)點，通過該項技術(shù)合成的語音在自然度等各方面比其他合成方法都更要出色。

參考文獻

[1] 陳靜，李薇，崔忠偉，劉霞.？語音合成技術(shù)的研究及其發(fā)展[J].中國科技信息.2007（14）.

[2] 黨建成，周晶.？語音合成技術(shù)及其應(yīng)用[J].計算機與信息技術(shù).2007（06）.