49、利用通用文本转语音系统调整有限领域语音合成

利用通用文本转语音系统调整有限领域语音合成

1. 引言

有限领域语音合成（LDTS）采用单元选择方法，使用较长的单元（如单词和短语）进行拼接，而非短单元（如双音素）。这种方式减少了合成句子中的拼接次数，降低了语音伪影出现的概率，同时由于待搜索的语音单元候选数量大幅减少，也降低了计算复杂度。然而，拼接较长单元可能会导致“恐怖谷”现象，即对自然环境中不自然伪影的厌恶。

为确保高质量的LDTS，需要精心准备有限领域（LD）文本语料库。该语料库应涵盖给定领域的大部分（理想情况下是全部）常用单词和短语，并包含上下文信息，以便在重叠部分找到最佳拼接点。与通用TTS系统的语料库相比，LD语料库虽然因上下文信息而有所增大，但仍然小得多且成本更低。通用文本语料库则需要在不同的语音和韵律上下文中覆盖双音素，以满足合成未知文本的需求。

1.1 目标

基于LD系统能够生成高质量语音的假设，我们旨在创建这样一个系统，并验证其效果。由于我们只有专门的LD文本语料库，而没有实际的LDTS系统，因此决定使用基于双音素的通用TTS系统ARTIC，并对其进行修改，使其模拟LDTS系统的工作方式。通过比较修改后系统和未修改的通用系统的输出，判断LD合成是否能达到更高的自然度，从而确定LDTS系统是否值得构建和使用。

1.2 拼接方法分析

在通用语音合成器和LDTS模拟器中，都需要为给定的输入文本搜索语音单元候选的最佳序列。通常，文本被分解为语音单元后，存储在语音单元数据库中的候选单元会被用于构建一个图，该图通过目标成本（节点）和拼接成本（边）进行评估：
- 目标成本 ：$C_t(t_i, u_i)$ 量