[发明专利]一种提高语音合成系统表现力的建模方法

权利要求书

1.一种提高语音合成系统表现力的建模方法，即基频和频谱两个声学特征异步建模的方法，其特征是具体的实现方式如下：

(1)、模型训练：在保证基频与频谱的音素边界与原来基线系统相同的情况下，通过各自的异步建模观察对基频模型和基频参数预测的表现。实际上，这是一种半异步的做法，之所以没有完全异步，我们是考虑到以下问题：如果基频与频谱在没有相同音素边界的限定的情况下建模，基频的音素边界会因为一些以清音(unvioced)为起止的音而划分不准；在合成时，我们也会因为基频和频谱完全异步而存在很大的对齐问题。具体步骤如下：

I．训练开始，最初步骤与原来同步建模系统相同，直到训练出初始的聚类隐马尔可夫模型(HMMs)。

II．用Baum-Welch参数更新算法深入训I练后的同步模型来确定音素的边界，作为后面基频和频谱异步建模的公共的一致性的边界。

III．确定音素边界后，对基频和频谱分别进行深入训练，即在音素边界固定的情况下，对于基频频谱分别进行Baum-Welch参数更新算法进行更新。分别得到基频和频谱的新的聚类HMMs。

IV．得到基频和频谱的各自音素内部的状态划分，训练音素时长，频谱状态时长，基频状态时长模型。

(2)、参数生成：基频和频谱参数生成就是在给定HMM集合λ的前提下，对目标矢量参数O₁，O₂(这里为频谱和基频参数)进行预测，相当于最大化P(O₁，O₂|λ)，而此式可写作：

P(O1,O2|λ)=Σq1,q2P(O1,O2|λ,q1,q2)P(q1,q2|λ)]]>

=Σq1,q2P(O1|λ,q1)P(O2|λ,q2)P(q1,q2|λ)]]>

在传统同步建模中，状态序列q₁＝q₂＝q；而在异步建模中，q₁≠q₂。所以，在异步系统中，参数生成可近似的分为以下两步最大化操作：

[q1*,q2*]=argmaxq1,q2P(q1|λ)P(q2|λ)]]>

[O1*,O2*]=argmaxO1,O2P(O1|λ,q1*)P(O2|λ,q2*)]]>

接下来使用一阶，二阶动态参数的参数生成算法与原基线系统一致。

参数生成时的时长预测问题，涉及到音素时长，频谱和基频的状态时长的加权。对目标参数d_i，d_i′的预测，相当于最大化下面的似然值：

似然值：F=ΣilogP(di|λi)+w1ΣilogP(di′|λi′)+w2ΣilogP(d|λ)]]>

约束条件：Σidi=d]]>

Σidi′=d]]>

其中：似然值F式子的第一部分是频谱状态时长的似然值，第二部分是基频状态时长的似然值，第三部分为音素时长的似然值，三部分通过w₁和w₂这两个权值加权到一起，目的是在F式最大的情况下生成时长参数。d_i为预测的频谱时长，d_i′为预测的基频时长，d为预测的音素时长。Pi=N(di|mi,σi2)]]>为频谱时长的模型分布，Pi′=N(di′|mi′,σi′2)]]>为基频时长的模型分布，P＝N(d|m，σ²)为音素时长的模型分布。

由拉格朗日：

F=-12Σi(di-mi)2σi2-w12Σi(di′-mi′)2σi′2-w22Σi(d-m)2σ2+λ1(Σidi-d)+λ2(Σidi′-d)]]>

解上面这个方程，得到最终预测的时长：

di*=mi+ρi·σi2]]>di′*=mi′+ρ2·σi′2]]>

其中：ρ1=d-ΣimiΣiσi2]]>ρ2=w1(d-Σimi′)Σiσi′2]]>

w₁和w₂值选取不同，得到的效果也就各不相同。

经过了上面的流程之后，频谱，基频，时长等参数得以生成，进而最后的语音合成得以实现。