以語料庫為基礎之中文文句翻語音系統中合成單元之選取

Abstract

文字轉語音系統中所使用的合成單元已經從小量的合成音庫，演變為以大型語料庫為基礎的合成音庫。在本論文中，設計了一套以Corpus-based為基礎的中文文句翻語音合成系統，這種作法通常會遇到兩項問題：如何有效率地去大型語料庫中找出所有可能的候選合成單元？如何解決合成單元間相串接時韻律差異的問題？本論文提出以連續相關比對法選取所有可能的候選合成單元，主要是依據在同一句子中其前後中文字位置標記與詞段位置標記是否具備有連續性和相關性的特性來作比對，接下來，再利用我們提出的cost function選取出具有與合成目標最相近之語音及韻律特徵的合成單元，最後將選出之最佳合成單元作串接輸出成為合成語音。 為了瞭解本套合成系統之語音品質狀況，我們利用主觀式評估方式，進行自然度MOS測試，並且進一步對合成語音作結果分析，探討合成語音出現不佳狀況時可能的影響因素。由實驗結果可知，本論文提出之方法，在合成語音的自然度上，會有不錯的表現。

Synthesis units in Text-to-Speech system have developed from base syllable to waveform units of variable lengths. A set of corpus-based text-to-speech synthesis technologies for Mandarin Chinese usually comprises two main problems to solve：How to find all possible candidates in speech corpora effectively? How to select appropriate synthesis unit to concatenate? Firstly, the thesis presents a continuous-correlative comparison method to solve searching candidates’ problem. Secondly, cost function is used to find the appropriate synthesis unit retrieved from the corpus and concatenated to produce the output speech. Finally, we use a subjective test called Mean Opinion Scores (MOS) to test whether our synthesized speech is natural or not. The assessment indicates our Corpus-based Mandarin TTS System indeed significantly improve the naturalness of synthesized speech quality. Besides, we also analyze synthesized speech to give advices in the future works.