一、TTS技术简述
今天的文本到语音转换技术(TTS)的目标已经不仅仅是让机器说话,而是让它们听起来像不同年龄和性别的人类。通常,TTS 系统合成器的质量是从不同方面进行评估的,包括合成语音的清晰度、自然度和偏好,以及人类感知因素,例如可理解性。
1、技术路线
(1)基于拼接合成的方法
拼接合成(Concatenative Synthesis)的方法就是将预先录制好的语音片段存储在数据库中,根据输入文本,选择并拼接相应的语音片段来合成语音。 这种方式语音质量高,自然度好。 但需要大量的语音数据,灵活性较差,难以适应新的发音或语调变化。
一些开源项目Festival:、 MaryTTS、Flite等。
(2)基于参数合成的方法
参数合成(Parametric Synthesis)的方法是使用统计模型来学习语音的声学特征,并根据输入文本生成语音参数,最终合成语音。其背后的想法是,如果我们能够对构成语音的参数进行近似,我们就可以训练一个模型来生成各种语音。参数方法结合参数,包括基频、幅度谱等,并处理它们以生成语音。
第一步,处理文本以提取语言特征,例如音素或持续时间。第二步需要提取声码器特征,例如倒谱、频谱图、基频等,这些特征代表人类语音的一些固有特征