1、隨著近些年人機(jī)交互系統(tǒng)的廣泛應(yīng)用,語音合成技術(shù)受到了眾人的日益關(guān)注。雖然語音合成已經(jīng)在清晰度、可懂度和自然度方面取得了較好的效果,但是目前的人機(jī)交互系統(tǒng)還是以中性化語音為主,缺乏情感的表達(dá)。而人的語音交流不僅包含著基本的文字內(nèi)容,還承載著大量豐富的情感信息。因此,情感語音合成是目前國際上的研究熱點(diǎn)。本文引入PAD(Pleasure-Arousal-Dominance)三維情緒模型,建立了一個(gè)具有11種情感的情感語料庫,并標(biāo)注了情感語音的

2、PAD值。在此基礎(chǔ)上,利用五度字調(diào)模型建立情感語音的基頻模型,并利用GRNN(GeneralizedRegressionNeuralNetwork)實(shí)現(xiàn)了情感語音的韻律轉(zhuǎn)換。進(jìn)一步,本文利用說話人自適應(yīng)訓(xùn)練方法實(shí)現(xiàn)了情感語音的統(tǒng)計(jì)參數(shù)語音合成。論文的主要工作和創(chuàng)新如下:
　　1.建立了一個(gè)情感語音語料庫。該語料庫錄制了一個(gè)女性說話人的中性、放松、驚奇、溫順、喜悅、憤怒、焦慮、厭惡、輕蔑、恐懼、悲傷等11種典型情感,并引入PAD三維

3、情緒模型,對(duì)語音語料標(biāo)注了情感的PAD值,對(duì)文本語料標(biāo)注了其韻律結(jié)構(gòu)。
　　2.提出了一種基于PAD三維情緒模型的情感語音韻律轉(zhuǎn)換方法。利用五度字調(diào)模型建立了情感語音的基頻包絡(luò)模型,并利用GRNN實(shí)現(xiàn)了情感語音的韻律轉(zhuǎn)換。實(shí)驗(yàn)結(jié)果表明,五度字調(diào)模型建立的情感語音基頻包絡(luò),其最大RMSE誤差不超過6.9Hz,滿足對(duì)基頻曲線建模的要求。利用GRNN模型轉(zhuǎn)換獲得的情感語音在95％置信區(qū)間下的平均EMOS(EmotionMeanOpini

4、onScore)得分為3.6分,能夠表達(dá)出情感信息。
　　3.提出了一種基于說話人自適應(yīng)訓(xùn)練(SpeakerAdaptiveTraining,SAT)的情感語音統(tǒng)計(jì)參數(shù)合成方法。設(shè)計(jì)了文本的上下文相關(guān)標(biāo)注格式,建立了一個(gè)情感語音的問題集。通過混合多個(gè)說話人的普通話大語料庫和一個(gè)說話人的情感語音的小語料庫,采用說話人自適應(yīng)訓(xùn)練得到一個(gè)平均音模型。然后通過說話人自適應(yīng)變換,利用特定說話人的情感訓(xùn)練語音,從平均音模型獲得說話人相關(guān)(Sp