张雪英，陈 洁，孙 颖

（太原理工大学 信息工程学院，太原030024）

语音合成的目的是建立一个有讲话能力的计算机系统，以实现真正意义上的人机交互。基于大语料库的拼接合成方法［1］是近年来语音合成中的主流方法。其基本原理是根据输入文本分析得到的信息，从预先录制和标注好的语音库中挑选合适的单元，然后拼接得到最终的合成语音。虽然大语料库拼接合成系统保持了原始发音人的音质，但也存在不少缺陷，比如：合成语音的效果不够稳定，音库构建周期太长以及合成系统的可扩展性较差等，这些缺陷明显限制了它在多样化语音合成方面的应用。因此，近年来基于隐马尔可夫模型［2］（HMM）的可训练语音合成方法被提出并逐渐得到应用。

基于HMM的语音合成系统对语音参数进行建模，然后利用音库数据进行自动训练，并最终形成一个相应的合成系统［3］。与现在大语料库拼接合成相比，其优势就在于可以在短时间内，基本不需要人工干预的情况下自动构建一个新的系统，而且整个训练过程基本上是不依赖于发音人、发音风格以及情感等因素。笔者研究了基于HMM的可训练语音合成方法，并将其原理应用到英语合成中。

1 基于HMM的可训练语音合成系统概述

图1是基于HMM的语音合成系统的基本框图，它包括训练和合成两个部分。在训练部分，首先，从语料库中提取谱参数和基频参数，然后利用上下文相关因素，对声道谱、基频和时长进行建模。……