行業(yè)新聞|2023-08-21|YIPPEE
語音合成是通過機械和電子方法產(chǎn)生人工語音的技術。一般來說，語音合成就是讓機器模仿人類說話。也就是說，輸入一段文字，后輸出一段聲音。
語音合成是一個將文本轉(zhuǎn)化為語音的過程，類似于人類的嘴巴。目前，語音合成技術主要應用于地圖導航、語音助手、教育、娛樂等軟件應用，以及智能揚聲器、家用電器、機器人等硬件設備。
AI智能語音模塊語音合成系統(tǒng)通常包括兩個模塊:前端和后端。前端模塊主要分析輸入文本，提取后端模塊所需的語言信息。對于中文合成系統(tǒng)，前端模塊一般包括文本正則化、分詞、詞性預測、多音字消歧、節(jié)奏預測等子模塊。根據(jù)前端分析結果，后端模塊通過一定的方法生成語音波形。后端模塊一般分為兩條技術主線:基于統(tǒng)計參數(shù)建模的語音合成，基于單元選擇和波形拼接的語音合成。
現(xiàn)階段的語音合成系統(tǒng)可以分為三種類型:1。參數(shù)語音合成系統(tǒng)。2.拼接語音合成系統(tǒng)。3.基于波形的統(tǒng)計合成系統(tǒng)。其中，參數(shù)語音合成系統(tǒng)和拼接語音合成系統(tǒng)是目前各大公司的主流在線合成系統(tǒng)，基于波形的統(tǒng)計合成系統(tǒng)的方法還處于研究階段，是目前研究的熱點。
1、參數(shù)語音合成系統(tǒng)的特點是，在語音分析階段，語音波形需要通過聲碼器轉(zhuǎn)換為頻譜、基頻、時長等語音或節(jié)奏參數(shù)。在建模階段建模語音參數(shù)，在語音合成階段，時域語音信號由聲碼器預測的語音參數(shù)還原。參數(shù)語音合成系統(tǒng)的優(yōu)點是模型尺寸小，模型參數(shù)調(diào)整方便，合成語音相對穩(wěn)定。
2、拼接語音合成系統(tǒng)的特點是將原始錄音剪切成基本單元存儲，而不是參數(shù)化原始錄音。在合成過程中，通過一些算法或模型計算每個單元的目標成本和連接成本，后通過Viterbi算法和PSOLA或WSOLA等信號處理方法“拼接”合成語音。因此，拼接語音合成的優(yōu)點是音質(zhì)好，不受語音單元參數(shù)化音質(zhì)的損失。但是，在數(shù)據(jù)庫小的情況下，合成語音韻需要穩(wěn)定，因為有時候選擇不到合適的語音單元。
3、WaveNet波形統(tǒng)計語音合成的主要單元是卷積神經(jīng)網(wǎng)絡。該方法的特點是使用神經(jīng)網(wǎng)絡直接預測合成語音波形的每個采樣點，而不是參數(shù)化語音信號。優(yōu)點是音質(zhì)比參數(shù)合成系統(tǒng)好，略差于拼接合成，但比拼接合成系統(tǒng)更穩(wěn)定。缺點是合成時間慢，因為需要預測每個采樣點。
掃一掃關注我們