情感語音合成的研究.pdf

1、隨著近些年人機交互系統(tǒng)的廣泛應用,語音合成技術(shù)受到了眾人的日益關(guān)注。雖然語音合成已經(jīng)在清晰度、可懂度和自然度方面取得了較好的效果,但是目前的人機交互系統(tǒng)還是以中性化語音為主,缺乏情感的表達。而人的語音交流不僅包含著基本的文字內(nèi)容,還承載著大量豐富的情感信息。因此,情感語音合成是目前國際上的研究熱點。本文引入PAD(Pleasure-Arousal-Dominance)三維情緒模型,建立了一個具有11種情感的情感語料庫,并標注了情感語音的

2、PAD值。在此基礎(chǔ)上,利用五度字調(diào)模型建立情感語音的基頻模型,并利用GRNN(GeneralizedRegressionNeuralNetwork)實現(xiàn)了情感語音的韻律轉(zhuǎn)換。進一步,本文利用說話人自適應訓練方法實現(xiàn)了情感語音的統(tǒng)計參數(shù)語音合成。論文的主要工作和創(chuàng)新如下:
　　1.建立了一個情感語音語料庫。該語料庫錄制了一個女性說話人的中性、放松、驚奇、溫順、喜悅、憤怒、焦慮、厭惡、輕蔑、恐懼、悲傷等11種典型情感,并引入PAD三維

3、情緒模型,對語音語料標注了情感的PAD值,對文本語料標注了其韻律結(jié)構(gòu)。
　　2.提出了一種基于PAD三維情緒模型的情感語音韻律轉(zhuǎn)換方法。利用五度字調(diào)模型建立了情感語音的基頻包絡(luò)模型,并利用GRNN實現(xiàn)了情感語音的韻律轉(zhuǎn)換。實驗結(jié)果表明,五度字調(diào)模型建立的情感語音基頻包絡(luò),其最大RMSE誤差不超過6.9Hz,滿足對基頻曲線建模的要求。利用GRNN模型轉(zhuǎn)換獲得的情感語音在95％置信區(qū)間下的平均EMOS(EmotionMeanOpini

4、onScore)得分為3.6分,能夠表達出情感信息。
　　3.提出了一種基于說話人自適應訓練(SpeakerAdaptiveTraining,SAT)的情感語音統(tǒng)計參數(shù)合成方法。設(shè)計了文本的上下文相關(guān)標注格式,建立了一個情感語音的問題集。通過混合多個說話人的普通話大語料庫和一個說話人的情感語音的小語料庫,采用說話人自適應訓練得到一個平均音模型。然后通過說話人自適應變換,利用特定說話人的情感訓練語音,從平均音模型獲得說話人相關(guān)(Sp