胡 郁，凌震华，王仁华，戴礼荣

(中国科学技术大学 讯飞语音实验室， 安徽 合肥 230027)

1 引言

语音合成又称文语转换(text-to-speech, TTS)，是智能人机语音交互领域的一个重要研究方向，其研究历史可以追溯到18世纪，并经历了从机械装置合成、电子器件合成到基于计算机技术的语音合成的漫长发展阶段。从历史发展来看，最为常见的语音合成方法主要包括两种。一种方法是基于原始发音的单元挑选与波形拼接合成，通过学习自然语音中的规律寻找合成单元(一般为音素级)之间的拼接规律，拼接原始语音波形单元得到合成语音；一种方法是对语音信号的音段和超音段特征进行建模，利用语音合成器通过建模得到的参数控制产生合成语音。这两种方法在近20年来伴随着大数据量信息处理技术和统计信号处理建模技术的发展都取得了显著的进步，并利用其各自的特点在不同领域取得了很好的效果。

基于大语料库的单元挑选与波形拼接合成技术是随着20世纪90年代电子计算机的运算和存储能力的迅猛发展而逐渐成熟的，是波形拼接语音合成技术的最新进展。其基本思想是根据输入的文本分析信息，从预先录制和标注好的连续自然发音语音库中挑选合适的单元，进行少量的调整(或者不进行调整)，然后拼接得到最终的合成语音[1-4]。由于最终的合成单元都是直接复制于录音音库，该方法可以保持原始发音人的音质，实现高自然度的语音合成。……