语音合成学习（一）综述

大家好，又见面了，我是你们的朋友全栈君。

一、资料推荐

爱丁堡大学课程（全英文，有能力的推荐学习一遍）：https://speech.zone/courses/speech-synthesis/

TensorflowTTS（比较系统的开源项目）：https://github.com/TensorSpeech/TensorFlowTTS

二、基础概念介绍

1、时域：波形的振幅、频率；

2、频域：

• 傅里叶变换：每个复杂的波形都可以由不同频率的正弦波组成；
• 语谱（spectrum）：描述了信号包含的频率成分和它们的幅度；
• 语谱图（spectrogram）：语谱随时间的变化，也称为频谱图；

推荐使用Adobe Audiotion工具来查看音频信息：

三、语音基本信息

思考一下，一段语音中包含了什么信息呢？

语音信息：发音人身份、语种、文本、情感、环境；

语音任务：身份识别、语种识别、语音识别、情感识别、语音增强分离等；

四、语音生成

一段语音的生成其实是音素的构成，下面介绍关于音素的一些概念：

1、音素：一种语言中语音的”最小”单元，在声学上也称为Phone；

2、IPA：国际音标，统一一套体系标注标准；

3、音节：元音和辅音结合构成一个音节；

4、协同发音：音素在声学上的实现和上下文强相关，往往我们需要采用上下文模型；

5、音素抄本：一段语音对应的音素列表（带或不带时间边界），时间边界可由人工标注或自动对齐获得，用于声学与时长模型，这里也是一种标注信息；

五、语音合成简述

1、热门研究方向

• 语音转换：说话人转换、语音到歌唱转换、情感转换、口音转换等；
• 歌唱合成：文本到歌唱的转换；
• AI虚拟人：可视化语音合成的技术，现在热门的元宇宙就依赖语音合成技术；

2、应用方向

• 语音交互：机器人领域、智能车；
• 内容生成：有声读物，微信听书等；
• 辅助功能：对障碍人士起到辅助功能，能够让他们发声；

3、难点

文字—>波形：

• 一到多且不等长的映射；

• 局部+全局依赖性；

评价指标：

• 只能根据听感来判断，有比较明显的主观性；

实际应用：

• 小样本（数据量少）
• 语音质量低，有噪声；
• 实时性和效果的平衡；
• 需要具有可控性且有表现力；
• 具备多语种、跨语言的能力（中英混合）；

4、现代语音合成技术

端到端级的语音合成架构：

上述描述了当前主流的一些端到端级的语音合成方法组合，

当前的TTS主要架构：NLP + Speech Generation（文本分析到波形生成）

六、文本分析

主要有以下几个方面处理：

• 断句：基于规则或基于模型来断句；
• 文本归一化（TN）：消除非标准词在读音上的歧义，例如数字、缩写、符号等（基于规则或模型）
• 分词和词性标注：有时候分词错误会造成歧义；
• 注音：Grapheme to phoneme（G2P）也就是文本转音素，解决多音字、儿化音、变调问题；
• 韵律分析：Prosody（反映在能量、基频、时长上），句调、重读、韵律边界预测（停顿）；

具体例子如下：

七、语音合成方法

1、波形拼接合成（单元选择合成）

优点：高质量、高自然度；

缺点：需要大音库，一致性差，可控性差，通常只能在线使用；

原理：从音库中选择”最佳”路径上的单元进行拼接，使得目标代价和连接代价最低；

2、基于轨迹指导的拼接合成

方法：基于参数语音合成的轨迹指导单元合成；

优点：相对平滑和稳定的参数轨迹，又能保证比较自然的音质；

3、统计参数语音合成（SPSS）

第一步是帧级的建模：

• 时长模型：音素序列 ——> 帧级文本特征；
• 声学模型：帧级文本特征 ——> 帧级语音输出；

第二步是训练数据：

• 利用语音识别强制对齐，得到音素帧级对应关系；

最常见的模型是基于HMM的SPSS：

优点：系统存储空间小，灵活度高（可参数调节），语音平滑流畅，适合离线、嵌入式设备；

缺点：合成语音音质受限，合成的韵律平淡；

实现步骤：

提参——训练数据帧级对齐——单音素HMM——三音素HMM——决策树聚类——优化

4、基于神经网络的语音合成

HMM存在问题：

利用上下文信息不足，决策树聚类对模型来说不够精细；

DNN优点：

神经网络能够拟合任何的函数映射，替代决策树模型，增加语音合成的表现力；

方案：将HMM替换为DNN，自然都得到一定的提升；

5、声码器

功能：提取语音参数，合成还原语音波形；

常见传统声码器：HTS、World等；

像一些基于神经网络的声码器将在后续进行介绍，相对来说传统声码器会造成一定损失，神经网络的声码器效果会好一些，但大小和耗时会更大；

6、端到端神经网络

定义：并不是完全端到端，是一套序列到序列（seq2seq）模型；

编码器——解码器架构：解决了对齐问题，但信息过度压缩；（M—>1—>N）

编码器——注意力机制——解码器架构：保留了全部编码信息，注意力机制是一种查表工具（M—>M—>N）

主流模型：Tacotron、Tacotron2、Transformer TTS

7、神经声码器

定义：利用神经网络强大的非线性拟合能力从语音特征转换为语音波形（采样点）

目前有两种主流方案：

① DSP+NN：传统信号处理和神经网络结合；

② GAN：生成效率很高，并且质量也不错；

左边一列表示合成质量，右边一列表示合成成本，从图中来看，采用GAN的声码器效果和性能上比较好；

八、语音合成前沿探索

有以下几个热门研究方向：

1、小样本训练；

2、增加对情感等信息的可控性；

3、完全端到端；

4、抗噪；

5、语音转换；

6、唱歌合成；

九、语音合成评估

1、文本分析（前端）模块

主要关注以下一些客观指标

2、声学模型模型及声码器（后端）模块

主观指标：

• 从测试集考察语音的”还原度”；
• 从集外数据考察泛化能力，以及对场景的覆盖能力；
• MOS打分；

客观指标：

• 时间等长：用原始语音的单元时长，计算差异；
• 时间不等长：时间对齐，对局部差异求和；

十、语音合成语料库

对常见语料库总结如下图：

图中网址不太清楚，如有需要的可直接私信我；

总结

本篇是对语音合成的一个综述，实际上对于刚接触TTS领域的来说，对很多概念并不能完全理解；并且搜索引擎中对于语音合成的总结并不多，也由于TTS是比较小众的一个技术；通过本篇希望读者对于常见的概念，以及TTS的具体任务和发展有一定掌握；