人工智能-24. 语音合成

24：语音合成教师姓名授课名称人工智能及机器学习基础知识授课形式授课班级授课地点授课日期章节名称语音合成教学目的掌握语音合成的基本原理掌握语音合成的主要技术。重点难点重点：语音合成的基本原理。难点：语音合成的技术。主要内容一、课程引入让机器听懂人类的语音，这是人们长期以来梦寐以求的事情。伴随着计算机技术的发展，语音识别在人机交互应用中逐渐进入我们日常的生活，已经成为人工智能领域的标志性技术之一。课程内容语音合成概述语音技术，包含两个方面：语音合成和语音识别。语音合成，又称文语转换技术，就是让终端设备将文本信息，转换成语音的形式朗读出来。语音合成是语音智能的重要组成部分，解决让机像人那样说话的问题。最早的语音合成器是1835年由W.vonKempelen发明、经Weston改进的机械式会讲话的机器。而最早的电子式语音合成器也是1939年HomerDudley发明的声码器，它不是简单的模拟人的生理过程，而是通过电子线路来实现基于语音产生的源-滤波器理论。它是中文信息处理领域的一项前沿技术，解决的主要问题就是如何将文字信息转化为可听的声音信息，就像给设备安装上了嘴巴，可以让它开口讲话。如下图为讯飞开放平台提供的语音合成平台。在语音合成技术发展中，早期主要是采用参数合成方法。然后有语音的参数式分析合成、语音的规则合成和文-语转换系统。语音合成的三个层次按照人类言语功能的不同层次，语音合成可以分成三个层次：从文字到语音的合成（Text-To-Speech，TTS）从概念到语音的合成（Concept-To-Speech，CTS）从意向到语音的合成（Intention-To-Speech，ITS）这三个层次反映了人类大脑中形成说话内容的不同过程，涉及了人类大脑的高级神经活动。文语转换系统（TTS）在文语转换系统（TTS）中，必须事先对文本进行分析，根据上下文的关系来确定每个字发音的声调应如何变化，然后用这些声调变化参数去控制语音的合成。文本分析、韵律控制和语音合成这三个模块是文语转换系统的三个核心部分。（1）文本分析工作过程包括：将输入的文本规范化，并处理用户可能的拼写错误，将出现的不规范或无法发音的字符过滤掉；分析文本中的词或短语的边界，确定文字的读音，同时分析文本中出现的数字、姓氏、特殊字符以及各种多音字的读音方式；确定发音时语气的变换及不同音的轻重方式。最终，将输入的文字转换成计算机能够处理的内部参数，便于后续模块进一步处理并生成相应的信息。韵律控制任何人说话都有韵律特征，有不同的声调、语气、停顿方式，发音长短也各不相同，这些都属于韵律特征。而韵律参数则包括了能影响这些特征的声学参数，如：基频、音长、音强等。最终系统能够用来进行语音信号合成的具体韵律参数，还要靠韵律控制模块。语音合成的发展方向提高合成语音的自然度；丰富合成语音的表现力；降低语音合成技术的复杂度；实现基于多语种的文语合成。语音合成的最新进展2016年，百度研发了DeepVoice3，一个基于注意力机制的全卷积神经元TTS系统。百度在2000多人、超过800小时的音频上训练了DeepVoice3。DeepVoice3可以使用仅三秒钟的语音样本数据来模仿人类的声音。2016年，谷歌的DeepMind团队也发布了一款声音合成器WaveNet，这个软件在声音的质