语音合成学习(一)综述

语音合成学习(一)综述一、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

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:

在这里插入图片描述

三、语音基本信息

思考一下,一段语音中包含了什么信息呢?

TSDFrn.png
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:

在这里插入图片描述

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:

在这里插入图片描述

七、语音合成方法

1、波形拼接合成(单元选择合成)

在这里插入图片描述

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)

在这里插入图片描述

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;

在这里插入图片描述

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;

在这里插入图片描述
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

在这里插入图片描述

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:

在这里插入图片描述
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;

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/153128.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(1)


相关推荐

  • javaweb-oracle-2-58

    javaweb-oracle-2-58

  • linux的vim怎么剪切,Linux.vim.多行复制、删除、剪切

    linux的vim怎么剪切,Linux.vim.多行复制、删除、剪切中间件Study-了解什么是中间件一.中间件含义:中间价是位于各种平台(硬件和操作系统)和各种应用之间的通用服务.帮助应用实现高效的.可靠的消息使应用之间实现便捷的互联互通高效.可靠构建企业应用实现分布式应用的快速搭建和部署注:中间…谈谈我印象中的JVM不足之处研究JVM也有一段时间了,其间也发现了它的很多不足之处,在此一一道来,由于本人对JVM的理解有限,如有错误的地方,还请大家指正:本…

  • nginx设置ip访问就跳转域名_php页面跳转方法

    nginx设置ip访问就跳转域名_php页面跳转方法目的:将所有wangqiao123.comabc.wangqiao123.com域名自动跳转到www.wangqiao123.comserver{listen80;server_namewangqiao123.comabc.wangqiao123.com;…

  • Java实现Excel导入和导出,看这一篇就够了(珍藏版)

    Java实现Excel导入和导出,看这一篇就够了(珍藏版)前言最近抽了两天时间,把Java实现表格的相关操作进行了封装,本次封装是基于POI的二次开发,最终使用只需要调用一个工具类中的方法,就能满足业务中绝大部门的导入和导出需求。环境准备1.Maven依赖本次工具类的封装主要依赖于阿里巴巴的JSON包,以及表格处理的POI包,所以我们需要导入这两个库的依赖包,另外,我们还需要文件上传的相关包,毕竟我们在浏览器页面,做Excel导入时,是上传的Excel文件。<!–文件上传–><dependency>

  • db4o的使用

    db4o的使用from:http://www.ibm.com/developerworks/cn/java/j-lo-db4o2/index.html前言在 db4o之旅 系列文章的第一部分:初识db4o 中,作者介绍了db4o的历史和现状,应用领域,以及和ORM等的比较。在这篇文章中,作者将会介绍db4o的安装、启动以及三种不同的查询方式:QBE(QuerybyEx

  • java获取文件名乱码_java导出文件名中文乱码

    java获取文件名乱码_java导出文件名中文乱码Java读linux系统文件文件名乱码的解决办法1,问题描述web应用想通过Java读取linux系统文件显示到web页面上,结果中文文件名出现乱码?问题场景描述:当用户通过浏览器访问tomcat服务器,请求查看某一路径下文件列表信息,tomcat的web应用调用getFilesByPath(Stringpath)方法读取文件列表信息响应请求,页面中文文件名出现乱码。推荐教程:《java学习》代…

    2022年10月20日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号