不同粒度嵌入单元的端到端语音合成技术研究

姑丽斯坦·奥布力喀斯木，帕力旦·吐尔逊，艾斯卡尔·艾木都拉

（1.新疆大学软件学院，乌鲁木齐830046；2.新疆大学信息科学与工程学院，乌鲁木齐830046）

0 引言

语音合成技术（text to speech，TTS）又称文语转换技术，是一种通过计算机辅助手段将任意输入的人类规则化文本转换为所对应人类规则化语音的技术[1]。在人机交互、人工智能领域中，语音合成技术是实现它的关键技术之一，在实际应用场景中其应用价值也越来越受到重视，在自动驾驶、问答系统、智能机器人、盲人辅助系统、自动化办公、交通通讯等场景有着非常广泛的用途[2]。从图1可以看出传统语音合成技术是由前端语言处理模块和后端声学模型生成模块等两部分所构成，不同模块负责不同的语音信息处理工作，非常方便地解决语音合成中的问题诊断以及针对不同模块的优化问题，是一种高内聚低耦合的组合方式。其中前端从语言学背景出发，对文本信息进行处理，包含文本正则化、分词、词性预测、多音字标注等文本预处理工作[3-4]。后端根据前端文本处理工作的结果，通过优质的声学模型生成其对应的语音波形从而达到语音合成的目的，其具体工作包括合成单元粒度的选择、语音持续时间模型的建模、声学特征预测模型的建立、声码器等[5-12]不同的子模块。由上述所知，传统的语音合成技术相对复杂，不同的模块需要花费大量的时间、精力、大量领域专业知识和特征工程去构建文本分析、声学模型、音频合成等模块。……