1、隨著計算機技術的進步和其他相關學科的發(fā)展，語音合成技術有了迅猛的發(fā)展，涌現了大量的新理論和新技術。與此同時人們對語音合成提出了更高要求。人類對語言的理解是多模態(tài)的，不儀聽語音，而且用眼睛去觀察說話人的面部表情。如果在合成語音的同時能給出一個“講話的頭”，即可表現說話者面部各器官動作的頭像，可進一步提高人機交互的友好性和方便性。
　　 本文的重點主要放在三維人臉模型的構建和漢語語音視位的研究兩個方面。首先利用第三方軟件建立人臉模型

2、，在vC++條件下使用OpenGl.(Open Graphics Library)，即開放性圖形庫編程完成模型的讀取與重現。對于三維建模工具數據量較大的情況，采用細節(jié)層次算法進行簡化，刪除不必要的邊、線、面，得到人臉的最初模型，并在該模型的基礎上建立本文所需要的標準人臉模型。得到人臉模型后，給人臉模型加上紋理，使模型具有皮膚、眼睛、頭發(fā)等人臉特征，提高人臉的真實性。
　　 在語音的可視化方面，本文根據漢語拼音的構成及發(fā)音時的唇動

3、特點，首先定義一個基本口型集，包括11個基本口型（10個韻母口型和1個聲母口型），再根據該基本口型集，衍生一個韻母口型庫，使每一個漢字在發(fā)音時都對應著相應的口型。為了口型描述的通用性和靈活性，采用了MPEG-4所定義的FAP參數來描述基本口型。通過對人類發(fā)音的研究，選擇了其中24個與發(fā)音有直接關系的FAP參數來描述基本口型。得到口型的FAP參數值后，利用FAP參數值驅動三維人臉模型就可以得到相應的口型，從而得到所需的漢語口型庫。