臺灣博碩士論文加值系統

本論文主要在探討中文文轉音系統中語音合成模組的改良。藉由韻律架構的定義、語料庫的建置、連音的處理、合成單元的韻律調整等方式，期望得到自然流暢的合成語音。
我們定義了一個三段式架構，用來表示語音的音長、音高、音量等韻律訊息。除了單音之外，我們將連續語音加入語料庫中。帶有連音的語音作為合成單元，可以擴充語料庫，也增加合成語音時，選擇合成單元的彈性。我們提出的三段式架構同時可適用於單音及連續音的韻律訊息的描述。
韻律調整的部分，我們嘗試在聲音訊號的時域上調整。以基週為單位，使用類似於基週同步疊加法的方式來改造合成單元，希望降低合成的複雜度之外，也能獲得不錯的聲音品質。
最後，我們從真人錄製的語音中抽取韻律參數，使用本論文實作出的語音合成模組得到合成句。我們進行了可辨度和自然度的實驗，用來度量語音合成模組的結果。結果顯示，本論文提出的語音合成模組實作方式對比於先前研究的實作方式有較佳的效果。

This thesis aims to implement a speech synthesis module in a Mandarin text-to-speech (TTS) system. By defining the prosodic structure, building the corpus, processing coarticulations, and adjusting synthesis
units, we expect to get natural and fluent synthesis speech.
We define a three-stage structure to represent duration, pitch, and volume of the voice. In addition to individual syllables, we take continuous words from speeches into our corpus. We use voices with coarticulation to extend our corpus and to improve the flexibility of deciding synthesis units. The three-stage structure we proposed is applicable to both individual
voices and continuous voices.
For the adjustment of duration, pitch, and volume, we modify the synthesis units in time domain. We reform the wave form of synthesis units on the basis of “Pitch Synchronous Overlap and Add” (PSOLA), expecting to reduce the computational complexity and to get a decent
result.
Finally, we generate sentences through the speech synthesis module with prosodic cues extracted from actual human speech for experiment. Two experiments are designed with intelligibility and quality to evaluate our speech synthesis module. As a result, the performance of our speech synthesis module compares more favorably with that of earlier studies.

致謝 i
摘要 ii
Abstract iii
目錄 iv
圖目錄 vi
表目錄 vii
第一章 緒論 1
1.1 研究動機與目的 1
1.2 語音合成技術研究回顧 2
1.3 研究方法 4
1.4 章節介紹 6
第二章 語料架構 7
2.1 背景知識 7
2.1.1 pitch mark 7
2.1.2 PSOLA 8
2.1.3 連音現象 10
2.2 韻律參數及分段架構 11
2.2.1 韻律參數 11
2.2.2 三段式架構 12
2.3 語料實例 14
2.3.1 單音 15
2.3.2 連續音 16
第三章 語音合成模組實作 17
3.1 工作流程 17
3.2 合成單元選取 19
3.3 連音再造 22
3.4 音長調整 27
3.5 音高調整 29
3.6 音量調整 32
第四章 聽測實驗與結果 33
4.1 實驗介紹 33
4.2 可辨度 35
4.3 自然度 38
第五章 結論 41
參考文獻 42
附錄 44

[1]John R. Deller, John G. Proakis, and John H. L. Hansen, "Discrete-Time Processing of Speech Signals", Macmillan Publishing Company, 1993.
[2]Lawrence R. Rabiner and Ronald W. Schafer, "Theory and Applications of Digital Speech Processing", Pearson Education Inc., 2010.
[3]Olufemi Sunday Adeoye, "A Survey of Emerging Biometric Technologies." International Journal of Computer Applications (0975-8887), Volume 9-No.10, 2010.
[4]Joao P. Cabral and Luis C. Oliveira, "Pitch-Synchronous Time-Scaling for Prosodic and Voice Quality Transformations", Interspeech, pp. 1137-1140, 2005.
[5]陳黃威，"改善豐富文脈模型於中文語音合成之研究"，國立臺灣師範大學資訊工程研究所碩士論文 (2012)
[6]蔡昀庭，"基於隱藏式馬可夫模型之中文語音合成系統"，國立清華大學電機工程研究所碩士論文 (2009)
[7]蔡依玲，"基於隱藏式馬可夫模型之客語文句轉語音系統"，國立交通大學電信工程研究所碩士論文 (2010)
[8]李函軒，"基於隱藏式半馬可夫模型之中文文句轉語音系統及其模型調適與聲音轉換"，國立清華大學電機工程研究所碩士論文 (2013)
[9]陳志祥，"國語連續語音連音型態之初步研究"，國立國立中興大學應用數學研究所碩士論文 (1995)
[10]施善舒，"中文文轉音系統中由單音產生連續音之處理"，國立國立中興大學資訊科學與工程研究所碩士論文 (2013)
[11]張唐瑜，"以大量詞彙作為合成單元的中文文轉音系統"，國立國立中興大學資訊科學研究所碩士論文 (2005)
[12]林尚毅，"基於頻譜改造之中文語音合成"，國立國立中興大學資訊網路與多媒體研究所碩士論文 (2012)