语音合成

语音合成

一、 前端

1. NT，将阿拉伯数字变成大写，标点符号进行变换，是否读
2. 多音字
3. 短句
   二、 模型—HMM OR LSTM
   三、 vocoder生成wav
   end2end的语音合成
   合并1&2，or合并1&2&3
   但实际上训练一个多音字的模型就需要500w句～500h(1w句1小时)的数据，实际不可能完全是多音字的，因此会更多～5000h
   语音合成技术概述
   https://www.cnblogs.com/mengnan/p/9474111.html
   传统语音合成
   https://www.zhihu.com/question/26815523

语音识别

是合成的反向
tri-phone
mono-phone
context-dependent or context-independent
AM+LM
端到端的ASR是将AM和LM合并为一个模型

CTC–Connectionist Temporal Classification

是一种序列识别的模型，将speech识别为phone和blank，然后划定一个阈值把blank删除（例如0.8以上的blank为纯blank)