漢語語音合成系統中影響合成自然度的主要技術因素探析

劉新紅 吳樹興

【關鍵詞】韻律;語義;語音合成自然度;技術因素

一、引言

目前，語音合成技術發展迅速，合成的語音產品在各個領域被廣泛應用，這種應用依托于信號與信息處理技術的不斷發展和語言本體研究的不斷深入，其目標就是要不斷滿足人們對人機交互的各種需求。盡管目前所合成語音不再是生硬地機器聲，但模式仍然固定，缺乏自然聲音的流暢感，語氣語調同質化。當前，語音合成的效果與模擬具有真人個性特征和情感的語音的最終目標還有一定距離。在語音合成技術方面，除了進一步提高聲音的清晰度、可懂度之外，仍然要進一步提高語音合成的自然度。

二、漢語語音合成系統

一個典型的漢語語音合成系統通常由文本處理、韻律分析和語音合成三個模塊構成，如圖1所示。

第一步進行文本處理，需要根據語義和語法等語言學知識將文本語句進行分詞和標注，同時還需要將詞轉換為對應音節;第二步是基于語境、韻律規則和韻律模型為每個音節或短語調整韻律參數，將音節序列轉換為語音序列;第三步使用高級語音合成技術根據需要實時合成高質量語音流。其中，文本分析和韻律處理這兩個模塊的處理結果直接影響語流的自然度。練達的自然語言，依賴于人們對語言中的語音、詞匯、語法和語義規則的綜合應用，也依賴于人們對語境的準確把握。語音合成的過程中首先要完成由表層結構到深層結構的逆過程結構，完成文本和韻律的分析。下面就來梳理影響漢語語音合成自然度的這些主要因素。

三、漢語的文本處理

文本處理是實現漢語語音合成系統的第一個模塊，起著非常重要的作用，該模塊是用計算機來模擬人對自然語言的理解過程，產生各種標注序列輸出給后一模塊，具體地說，該模塊要對文本進行分詞和字音轉換，輸出所對應的語音標注序列。一個較好的文本分析處理模塊能夠對語言理解得更加充分，產生的標識應更加完備。

一般來說，漢語語音合成系統的文本分析處理部分由正則化子模塊、詞語分析子模塊、字音轉換子模塊等構成。我們通常所遇到的文本會含有大量非標準詞，如阿拉伯數字、英文字符、各種符號等非漢字字符，這些字符在詞典中查不到，在中文里的讀音也不能通過正常的拼音規則獲得，語音合成中必須將這些字符處理成中文字音，這個轉換過程稱為文本正則化。由于非中文字符往往攜帶著非常重要的信息，如日期、價格、電話號碼、機構名等，因此文本正則化直接影響語音輸出的質量。

漢字是漢語基本的寫作單位。詞和詞之間沒有明顯的界線。因此漢語分析是中文信息處理的基礎和關鍵。在基于單詞的自然語言詞匯分析中，最重要的是劃分詞和詞性符號。通常有兩種處理方法，一種是分離分詞和詞性標注，另一種是整合分詞和詞性標注。

包森成認為，單獨的詞性標注算法主要有兩類：基于規則的詞性標注方法和基于統計模型的詞性標注方法。基于規則的詞性標注方法難以書寫維護，不值得提倡。如今HMM和CRFs等統計模型在詞性標注中獲得了廣泛應用。如果將分詞和詞性標注一體化處理，則需要在算法中同時考慮詞串和詞性雙重信息。分詞和詞性標注的綜合處理算法的主要思想是選擇具有相同詞性的相同詞串作為候選詞，最后使用統計模型選擇最佳候選詞。

在漢語語音合成系統中，字音轉換的任務就是在詞典中檢索當前詞，配以對應的拼音。然而漢語中存在多音字問題，所以為所合成的多音字選擇正確的讀音是必需的，即多音字消歧。語言學家對多音詞消歧的規律進行了總結。根據這些規則，當計算機找到多音詞時，可執行條件匹配和多音詞消歧。語音合成研究領域隨著大語料庫的發展，許多研究人員開始使用統計方法來進行多音詞消歧。

在文本分析階段，影響自然度的因素還有語義和情感，而且影響自然度的大多數因素都與語義相關，然而語義分析難度較大，系統地從語義角度來進行語音合成的研究目前還比較少。如果進一步提高合成語音自然度和個性化，那么語義和情感分析將是必不可少的，合成的語音才能不再冷冰冰。

四、韻律分析

在漢語語音合成系統中，韻律分析模塊是漢語語音合成技術中比較核心的部分，又是較難控制和把握的，它涉及語言學、聲學、信息學等學科。韻律分析模塊的主要功能是為合成語音劃分出音段特征，主要是對語段的時長、基頻、停頓和強度等進行預測和控制，合成出能正確表達意義的聲音，能幫助聽者更好地理解話音所攜帶的信息。因此韻律是語音合成效果好壞的關鍵。韻律處理模塊將根據語調、重音和節奏，對每個發音單元進行韻律調整，調整后輸出地是包含韻律信息的音韻序列。

目前，在語音合成中，仍然不能有效模擬自然語流中的韻律結構。自然語流中所有韻律變化的語調、節奏和重音等特征參數信息不可能全部存儲至基元庫中。語音合成系統要想取得高質量的語音，就必須具備韻律處理和模擬的功能。

語調主要反映整個語句音高變化趨勢，語調模型的精確程度嚴重影響合成語音的自然度，在語音合成技術發展過程中，研究者也提出了比較有效的Tilt模型、Fuiisaki模型、PENTA模型，更加精確的語調模型，在提高合成語音自然度方面發揮著重要作用。

停頓是漢語韻律特征的重要方面，由標點符號分隔的句子是最明顯的停頓，在每句漢語中，依據韻律層級結構還存在隱含的停頓，這些停頓長短不同，整句話中各個停頓協調配合，才能發出自然和諧的聲音。停頓也是影響自然度的重要因素。

實驗表明，在語音合成系統中引入韻律層級結構可以提高合成語音的質量。關于重音和語調的研究也取得了一些成果，但由于重音和語調的復雜聲學性能，仍沒有一致的結論，特別是在語音合成系統中，重音和語調還有待進一步研究。

韻律規則主要研究的是人在發音過程中各種聲學參數的變化規律，利用這些規律可以改進語音合成系統的整體性能，尤其是在語音合成階段提供調整韻律變化的聲學參數。漢語的韻律預測與文本分析之間存在著緊密聯系。

五、語音合成

語音合成系統的最后一步是聲學處理，我們也稱為語音合成。聲學處理的目標是根據語言學處理和韻律設計的結果，將帶有韻律符號的漢語拼音進一步轉換為聲音信號。這方面的研究主要經歷了機械式、電子模擬和數字等三個階段。隨著計算機技術和數字信號處理技術的快速發展，真正實用的語音合成技術逐漸發展，很多學者在不斷探索新模型和新算法。

現代語音合成方法主要有三種：源一濾波器語音合成，基于波形拼接技術的語音合成，可訓練的參數語音合成。源一濾波器結構的語音合成方法是由激勵經過相應的濾波器而產生，最常用的兩種方法是共振峰合成和線性預測分析合成，實現復雜度不高，但合成質量較差。

基于波形拼接技術的語音合成是采用原始語音波形代替參數構建語音庫，通過單元挑選算法選出合適的語音單元序列進行拼接，實現最終的語音合成。由于語音單元取自原始語音波形，可以獲得接近人聲的自然度。基于拼接的語音合成技術也存在諸多問題，如語音合成系統建設時間長，合成與語音庫中情境不同的語句時自然度差、不穩定，系統難于擴展等等。

可訓練的參數語音合成（Trainable TTS）方法由于在語音合成方面的優勢被越來越多的學者所關注。20世紀90年代末，基于隱馬爾可夫模型（HMM）的語音合成技術出現了。近年來又不斷進行改進，人們意識到這種合成方法有更多優勢，例如合成方法更靈活，所占存儲資源少，適合嵌入式開發，可擴展性好等等。同時基于HMM的語音合成技術的訓練過程可以自動完成，需要調試參數少，而且可以改變輸出聲音的音色，同一個合成系統可以輸出不同個性化的聲音。這種模型也有它的不足之處，音色調節受限，其合成效果與原始語音相比還存在一定的差距，從聽覺感知上自然度還達不到真正的人聲。

在可訓練參數合成中，基于深度神經網絡的語音合成是近些年發展起來的語音合成技術，利用深層神經網絡強大的非線性建模能力，有效地提升了建模精度，使得語音合成的自然度得到很大提升，在某些應用場合已經達到接近人聲的程度。當然，基于深度神經網絡的語音合成目前也存在一些問題，如需要很長的學習時間，合成語音存在無法預測的噪聲問題等等，隨著這些問題地解決和完善，基于深度神經網絡的語音合成將逐漸成為主流方法。

六、結論

語音合成技術的發展過程是一個漸進的過程，從參數合成到波形拼接，再到可訓練參數的語音合成，發展到當前的基于深度神經網絡的語音合成。每個階段的方法都各有優缺點，人們在應用中往往將多種技術有機融合，或用一種技術的優點來克服另一種技術的不足。

合成具有更高自然度的語音，歷來都是語音合成研究者所追求的目標。進一步提高語音表現力，使合成的語音更加生動，可以給語音合成技術開辟更廣闊的應用空間。