APP下载

基于LPCNet的语音合成方法研究∗

2020-07-13陈小东宋文爱刘晓峰

计算机与数字工程 2020年5期
关键词:模型

陈小东 宋文爱 刘晓峰

(中北大学软件学院 太原 030051)

1 引言

语音合成(Speech Synthesis)泛指将输入文本或音素序列映射输出为音频信号的技术。传统的语音合成方法,如参数式语音合成[1],使用参数模型对文本进行建模并从中生成语音,通常由文本分析前端、声学模型、持续时间模型和用于波形重建的声码器组成,需要广泛的领域专业知识来进行研究;拼接式语音合成[2],从语音库中挑选适当的语音单元,然后拼接以形成输出,但其需要的音库一般较大,灵活性有限。

近年来随着深度学习的不断发展和应用,基于Seq2Seq结构的模型被多个语音合成模型证明优于传统结构。Wang[3]等最早使用带有注意力机制的Seq2Seq方法尝试语音合成系统,但是需要一个预训练的HMM模型用于对齐;百度DeepVoice[4]的做法是仿照传统参数合成的各个步骤,将每一阶段分别用一个神经网络模型来代替;Char2Wav[5]可以直接输入英文字符进行合成,但仍是预测出声学参数,需要使用声码器进行合成语音;邱泽宇[6]等利用Seq2Seq架构,实现了中文的语音合成。Taco⁃tron 2[7]可以直接从图形或音素生成语音,该模型首先由一个循环Seq2Seq的网络预测梅尔声谱图,然后由一个改进的WaveNet[8]来合成这些声谱图的时域波形。WaveNet是一种基于神经网络的自回归方法,使用一种新的扩展因果卷积结构捕获语音信号中的长期时间依赖关系。WaveNet作为一个语音合成后端的模块,将前端字符映射为音素等一些人工的语言学特征转化为语音波形输出,它比传统WORLD[9]声码器更好地重构了原始语音中的相位信息,可以实现高质量的合成语音。……

登录APP查看全文

猜你喜欢

模型
一半模型
一种去中心化的域名服务本地化模型
适用于BDS-3 PPP的随机模型
函数模型及应用
p150Glued在帕金森病模型中的表达及分布
函数模型及应用
重尾非线性自回归模型自加权M-估计的渐近分布
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
一个相似模型的应用