資源描述：
《胡歡水文獻(xiàn)綜述》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、附件1：文獻(xiàn)綜述語音合成技術(shù)專業(yè)班級：電子本083姓名：胡歡水學(xué)號：08010402摘要：隨著社會的發(fā)展和科學(xué)技術(shù)的進(jìn)步，人類已跨入信息時代，人們在不斷尋求靈活、方便、快捷的信息交換方式。而語音是眾多信息載體中具有最大信息容量、最高智能水平的信號之一，作為信息交換的一種方式——語音具有其獨(dú)特的優(yōu)越性。語音合成技術(shù)是新一代智能計算機(jī)的一項(xiàng)重要標(biāo)志，是計算機(jī)智能接口的重要組成部分。它能為我們提供基于自然語言的人機(jī)通訊方式，大大改善人機(jī)界面，與語音識別相結(jié)合，就能達(dá)到人機(jī)對話的目的。本文對語音合成，語音合成技術(shù)的方
2、法和TTS的基本結(jié)構(gòu)進(jìn)行了介紹，列舉了一些語音合成技術(shù)在生活中的實(shí)際應(yīng)用，并對語音合成技術(shù)進(jìn)行了展望。關(guān)鍵詞:語音合成技術(shù);語音合成一語音合成簡介語音合成，又稱文語轉(zhuǎn)換(texttospeech)技術(shù)，它涉及聲學(xué)、語言學(xué)、數(shù)字信號處理、計算機(jī)科學(xué)等多個學(xué)科技術(shù)，解決的主要問題就是如何將文字信息轉(zhuǎn)化為可聽的聲音信息[。傳統(tǒng)的聲音回放設(shè)備（系統(tǒng)），是通過預(yù)先錄制聲音然后回放來實(shí)現(xiàn)“讓機(jī)器說話”的。這種方式無論是在內(nèi)容、存儲、傳輸或者方便性、及時性等方面都存在很大的限制。而通過計算機(jī)語音合成則可以在任何時候?qū)⑷我馕?/p>
3、本轉(zhuǎn)換成具有高自然度的語音，從而真正實(shí)現(xiàn)讓機(jī)器“像人一樣開口說話”。一個語音合成系統(tǒng)。按其合成方式主要分為有限詞匯和無限詞匯的合成，按其使用目的和約束條件等可分為各種合成方法，最簡單的是錄音編輯方式，其次是波形編碼方式，再次是參數(shù)編碼方式，最后是按規(guī)則合成方式[1]。二語音合成技術(shù)的方法語音合成技術(shù)可分為參數(shù)合成和波形拼接兩種方法。早期的研究主要是采用參數(shù)合成方法，它是計算發(fā)音器官的參數(shù)，能對人的發(fā)音進(jìn)行直接模擬。由于準(zhǔn)確提取共振峰參數(shù)比較困難，雖然利用共振峰合成器可以得到許多逼真的合成語音，但是整體合成語音
4、的音質(zhì)難以達(dá)到文語轉(zhuǎn)換系統(tǒng)的實(shí)用要求。因此后來又產(chǎn)生了基于LPC、ISP等聲學(xué)參數(shù)的合成系統(tǒng)。自八十年代末期至今，語言合成技術(shù)又有了新的進(jìn)展，特別是基音同步疊加（PSOLA）方法的提出，使基于時域波形拼接方法合成的語音的音色和自然度大大提高。九十年代初，基于PSOLA技術(shù)的法語、德語、英語、日語等語種的文語轉(zhuǎn)換系統(tǒng)都已經(jīng)研制成功。這些系統(tǒng)的自然度比以前基于LPC方法或共振峰合成器的文語合成系統(tǒng)的自然度要高。在文獻(xiàn)[2]中，作者認(rèn)為目前的語音合成技術(shù)主要是基于共振峰的參數(shù)合成技術(shù)和基于PSOLA算法的波形拼接合
5、成技術(shù)。這兩種技術(shù)各有所長，共振峰技術(shù)比較成熟，有大量的研究成果可以利用，而PSOLA技術(shù)則是比較新的技術(shù)，具有良好的發(fā)展前景。三語音合成技術(shù)的缺陷在文獻(xiàn)[3][4]作者認(rèn)為語音合成技術(shù)發(fā)展至今，存在著一些缺點(diǎn)，主要體現(xiàn)在以下方面：①與可懂度直接相關(guān)的發(fā)音質(zhì)量，包括音質(zhì)缺陷、多音字、輕聲、變調(diào)、數(shù)字串等方面的問題。②與自然度密切相關(guān)的“分詞斷句”錯誤，反映了韻律結(jié)構(gòu)預(yù)測方面的問題。③合成語音音色單一、語調(diào)缺少變化、缺乏表現(xiàn)能力，直接原因是由于系統(tǒng)中沒有輕重音、功能語調(diào)、發(fā)音風(fēng)格等方面的控制。這些問題的存在表明
6、：目前的語音合成技術(shù)還處在“表音”層次，而且在這一層次系統(tǒng)性能還有提升的空間；另外，系統(tǒng)還不具備屬于更高層次的“表情達(dá)意”的能力，還不能通過合成語音準(zhǔn)確、生動地傳遞語義信息[5]。四TTS的基本結(jié)構(gòu)在文獻(xiàn)[6][7][8]中作者將TTS的基本結(jié)構(gòu)分為語言學(xué)處理、韻律處理和聲學(xué)處理三大模塊,并對三大模塊進(jìn)行了介紹。其基本工作原理是：事先將全部的漢語音節(jié)進(jìn)行錄音，形成音頻數(shù)據(jù)，以音庫的形式存放在計算機(jī)的磁盤上，以供調(diào)用。然后用鍵盤、光電掃描等輸人手段，形成ASCII文本文件(最新的系統(tǒng)也允許為WORD文件、INT
7、ERNET文檔)。系統(tǒng)運(yùn)行時，先將ASCII文本文件進(jìn)行語言學(xué)處理、韻律處理，得到語流控制參數(shù)。然后讀取音庫，從音庫中得到對應(yīng)的音頻數(shù)據(jù)，再經(jīng)聲學(xué)處理形成連續(xù)的語聲流，即完成了從文本到語音的轉(zhuǎn)換過程。其結(jié)構(gòu)如圖1所示：圖1TTS的基本結(jié)構(gòu)圖4.1語言學(xué)處理語言學(xué)處理在文語轉(zhuǎn)換系統(tǒng)中起著重要的作用，主要模擬人對自然語言的理解過程，使計算機(jī)對輸入的文本能完全理解并給出后兩部分所需的各種發(fā)音提示。其工作過程可以分為三個主要步驟：(1)文本規(guī)整將輸入的文本規(guī)范化。在這個過程中，要查找拼寫錯誤，并將文本中出現(xiàn)的一些不規(guī)
8、范或無法發(fā)音的字符過濾掉。(2)詞的切分分析文本中詞或短語的邊界，確定文字的讀音，同時分析文本中出現(xiàn)的數(shù)字、姓氏、特殊字符、專有詞語以及各種多音字的讀音方式。(3)語法分析和語義分析根據(jù)文本的結(jié)構(gòu)、組成和不同位置上出現(xiàn)的標(biāo)點(diǎn)符號，確定語氣的變換以及不同音的輕重方式。最終，文本分析模塊將輸入的文字轉(zhuǎn)換成計算機(jī)能夠處理的內(nèi)部參數(shù)，便于后續(xù)模塊進(jìn)一步處理并生成相應(yīng)的信息。4．2韻律處理為合成語音規(guī)劃出音段
