一種基于Tacotron 2的端到端中文語音合成方案

王國梁 陳夢楠 陳蕾

摘要：顛覆性設計的端到端語音合成系統Tacotron 2，目前僅能處理英文.致力于對Tacotron2進行多方位改進，設計了一種中文語音合成方案，主要包括：針對漢字不表音、變調和多音字等問題，添加預處理模塊，將中文轉化為注音字符;針對現有中文訓練語料不足的情況，使用預訓練解碼器，在較少語料上獲得了較好音質;針對中文語音合成急促停頓問題，采用對交叉熵損失進行加權，并用多層感知機代替變線性變換對停止符進行預測的策略，獲得了有效改善;另外通過添加多頭注意力機制進一步提高了中文語音合成音質.梅爾頻譜、梅爾倒譜距離等的實驗對比結果表明了方案的有效性：可以令Tacotron 2較好地適應中文語音合成的要求.

關鍵詞：語音合成; 多頭注意力;Tacotron 2

中圖分類號：TP391

文獻標志碼：A

DOI： 10.3969/j.issn.1000-5641.2019.04.011

0 簡介

語音合成，又稱文語轉換（Text To Speech，TTS），是一種可以將任意輸入文本轉換成相應語音的技術。傳統語音合成系統通常包括前端和后端兩個部分。前端主要對輸入文本進行分析，提取某些語言學信息：中文合成系統的前端部分一般包含文本正則化、分詞、詞性預測、多音字消歧、韻律預測等模塊[1].后端則通過一定方法，例如參數合成或拼接合成、生成語音波形.

參數合成指基于統計參數建模的語音合成[2].該方法在訓練階段對語言聲學特征、時長信息進行上下文相關建模，在合成階段通過時長模型和聲學模型預測聲學特征參數，對聲學特征參數做后處理，最終利用聲碼器恢復語音波形。……