从哪里开始语音合成

Question

你们可能对谷歌的TTS引擎很熟悉：here。

我对这样的东西如何能够分析输入并挑选出不同的音节/词性有一个基本的理解，但是如果我想要为TTS系统创建一个“声音”，我应该从哪里开始呢？

Answer 1

这是一个我在大学里花了近一个学期来学习答案的问题，以及提前一年(或更长时间)的课程，以学习理解过程所需的基本信号处理。整个课程都致力于语音合成，整个课程都致力于信号处理。

人们可以把人类的声道想象成一个过滤器，把声门想象成一个脉冲发生器--也就是说，语音实际上是由声道、嘴巴和鼻腔过滤的脉冲序列的结果。

对于每个音素，“过滤器”将是不同的，因此您需要一个音素库来为其生成“过滤器”。从理论上讲，逆滤波可以在音素声音片段库中使用，以找到“滤波器”系数。Levinson-Durbin递归通常用于寻找LPC系数。

必须创建声门脉冲序列。一种简单的方法是将脉冲序列与正半正弦波进行卷积。

最后，使用与您要创建的音素相关联的“滤波器”系数对声门脉冲序列进行滤波。

但这只适用于有声语音。为了生成清音语音，一种简单的解决方案是用与清音语音音素相关联的“滤波器”系数对随机噪声信号进行滤波。

在此基础上的一层抽象层，创建所需的音素列表，并进行连接。就像派一样简单！

更新：

一位朋友指出节日，一个输入文本和提取语音的“黑匣子”：http://festvox.org/festival/