以音節訊號特性挑選中文文句翻語音系統合成單元之研究

Abstract

本論文首先進行音節精確切割的處理，將輸入語音先經HMM-based forced-alignment做初步切割後，再使用segmental k-mean algorithm調整音節邊界，以獲得較準確的切割。接著將每一種音節分成數群，每一群取一個樣本作為未來TTS合成的音節波形樣本之用，做法是將每一音節先切割成數個HMM狀態，每一狀態抽取平均的特徵參數，再由同一種音節的狀態平均特徵參數構成一個特徵矩陣，經特徵值分解降維後，再使用向量量化分成數群，取出每一群的中心樣本。最後嘗試使用決策樹來由語言參數進行樣本的預測，以選取適當的樣本做語音的合成。實驗結果證實，將常用的10種音節各分成5群，其音節波形樣本都各自具有獨特的特徵，而由文字去預測音節合成樣本的準確度大約在60%。