语音合成 - 什么是语音合成？

　　

1. 什么是语音合成？

2. PSOLA算法

3. 基于HMM的参数合成

4. 未来有哪些趋势？

 

（本系列时常补充和纠错） 

 

 

1.1 什么是语音合成？

　　语音识别是最近几年很火的一个词，也是一个应用到生活中各种方面的一个技术。比如说经常使用的语音输入，微信的语音转文字，科大讯飞的语音翻译，手机的语音助手，智能音箱。这些东西都使用了语音识别技术，通俗来说，语音识别技术，就是用户输入一段语音，系统负责将语音转换成文字。

　　语音合成则是一个相反的过程，语音合成要求用户输入一段文字，系统负责将文字转换成一段流畅自然的语音。其实，语音合成在生活中的应用也是随处可见，只是我们有时候会将其忽略。比如车辆的报站系统，手机语音助手的语音回答，电子书的自动朗读等等。总之，生活中我们遇到的大多数让机器发出声音的场景，都使用的语音合成技术。 

 

1.2 语音合成是怎么做到的？

　　这里以其中一种典型的方法（拼接方法）做一个介绍。

　　

图 1 ： 拼接合成示意图

 

　　在统计合成出现之前，语音合成技术大多是使用拼接合成。图中上面三个框图是拼接合成的三个步骤，下面三个框图是三个步骤使用的技术。

　　文本分析的目的是找出文本中的停顿和重音等。语音合成的输入是一段文本，人类可以很快速的判断出一段文本哪里需要停顿，哪里需要重音，但是机器不知道。因此需要使用文本分析规则进行文本分析，让机器知道文本中的重音和停顿，也让机器知道文本中那些汉字组成一个词，那些汉字组成了一句话。下一步就需要依据文本从语音库挑选出适合的语音波形。这里需要介绍一下语音库，语音库中存储的是一个个音节的发音，而这些音节的发音全部来自对自然语音的切分，切分后对这些发音进行标注（包括发音记号、清浊音切分等等），有时候为了得到更加理想的合成效果，语音库中会存储同一发音记号对应的多个不同韵律的发音（比如不同音调、不同情感）。

　　韵律控制则是为了实现对合成语音中的韵律调整。理想中的合成语音，是有着丰富韵律的，比如有的要重音，有的要低沉，而不是像机器人一样呆板而平稳的发音。这里的韵律控制主要是修改单个语音波形的时长和音调，以达到韵律控制的目的。使用的主要算法是基音同步叠加（PSOLA）算法。

　　韵律调整好之后，下一步就是要把这些波形拼接起来，使之成为连续语音。这里需要注意的问题是，波形的拼接处，那面出现波形的突变：形成音量或者静音段和有声段的突然转变，出现“咔哒咔哒”的噪声，影响合成效果。因此这里需要使用平滑算法，减少这些现象的影响。

 

转载于:https://www.cnblogs.com/gstblog/p/9596721.html