语音合成技术的原理

清华大学计算机系智能技术与系统国家重点实验室

吴志勇 蔡莲红

---- 当 前， 语 音 合 成 的 研 究 已 经 进 入 文 字 － 语 音 转 换（TTS） 阶 段， 其 功 能 模 块 可 分 为 文 本 分 析、 韵 律 建 模 和 语 音 合 成 三 大 模 块。 其 中， 语 音 合 成 是TTS 系 统 中 最 基 本、 最 重 要 的 模 块。 概 括 起 来 说， 语 音 合 成 的 主 要 功 能 是： 根 据 韵 律 建 模 的 结 果， 从 原 始 语 音 库 中 取 出 相 应 的 语 音 基 元， 利 用 特 定 的 语 音 合 成 技 术 对 语 音 基 元 进 行 韵 律 特 性 的 调 整 和 修 改， 最 终 合 成 出 符 合 要 求 的 语 音。

----语 音 合 成 技 术 经 历 了 一 个 逐 步 发 展 的 过 程， 从 参 数 合 成 到 拼 接 合 成， 再 到 两 者 的 逐 步 结 合， 其 不 断 发 展 的 动 力 是 人 们 认 知 水 平 和 需 求 的 提 高。 目 前， 常 用 的 语 音 合 成 技 术 主 要 有： 共 振 峰 合 成、LPC 合 成、PSOLA 拼 接 合 成 和LMA 声 道 模 型 技 术。 它 们 各 有 优 缺 点， 人 们 在 应 用 过 程 中 往 往 将 多 种 技 术 有 机 地 结 合 在 一 起， 或 将 一 种 技 术 的 优 点 运 用 到 另 一 种 技 术 上， 以 克 服 另 一 种 技 术 的 不 足。

共 振 峰 合 成

----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 音 的 频 率 响 应 图 中， 标 有Fp1、Fp2、Fp3 … … 处 为 频 率 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 之 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。

----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。

----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。

----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。