1、近二十年來，統(tǒng)計參數(shù)語音合成方法發(fā)展迅速，逐步成為與單元挑選與波形拼接方法相并列的一種主流語音合成方法，隱馬爾可夫模型(Hidden MarkovModel，HMM)是統(tǒng)計參數(shù)語音合成中最為常用的聲學(xué)模型形式。相比于單元挑選與波形拼接方法，基于HMM的參數(shù)合成方法具有系統(tǒng)構(gòu)建自動化程度高、可快速自適應(yīng)、合成語音平滑流暢、系統(tǒng)尺寸小等優(yōu)點，但是該方法在合成語音的音質(zhì)與自然度上和單元挑選與波形拼接方法相比仍有差距。此外，現(xiàn)階段該方法在實現(xiàn)多

2、樣化及個性化語音合成時的性能仍不夠理想。一方面，語音學(xué)知識難以融入聲學(xué)特征預(yù)測過程，對于合成語音特征的控制存在較強的數(shù)據(jù)依賴性;另一方面，在利用少量目標發(fā)音人數(shù)據(jù)與模型自適應(yīng)算法實現(xiàn)合成系統(tǒng)話者轉(zhuǎn)換時，合成語音的自然度以及與目標發(fā)音人的相似度仍有待提升。
　　現(xiàn)階段統(tǒng)計參數(shù)語音合成方法所使用的聲學(xué)模型結(jié)構(gòu)缺乏對于語音產(chǎn)生機理的描述，是產(chǎn)生上述不足的原因之一。因此，本文圍繞統(tǒng)計參數(shù)語音合成中融合發(fā)音機理的聲學(xué)建模方法開展研究工作，將

3、發(fā)音動作特征和共振峰特征作為中間層表征，構(gòu)建了“語言學(xué)特征-中間層表征-聲學(xué)特征”的聲學(xué)模型結(jié)構(gòu)，實現(xiàn)了對于實際語音產(chǎn)生中的層次化信息處理過程的模擬。首先，本文研究結(jié)合發(fā)音動作特征的聲學(xué)建模方法，構(gòu)建了中文多發(fā)音人連續(xù)語流發(fā)音動作特征數(shù)據(jù)庫，驗證了雙流HMM模型對于實現(xiàn)發(fā)音動作特征與聲學(xué)特征聯(lián)合建模的有效性，提出了結(jié)合目標-逼近模型與多元回歸隱馬爾科夫模型(Multiple RegressionHidden MarkovModel，MR

4、HMM)的聲學(xué)建模方法，實現(xiàn)了基于語音學(xué)規(guī)則的合成語音特征控制;其次，本文將共振峰特征作為音素序列與可觀測聲學(xué)特征之間的中間表達，提出了基于隱藏式軌跡模型（Hidden Trajectory Model，HTM）的語音合成頻譜建模方法，提高了頻譜特征的預(yù)測精度與合成語音的自然度，實現(xiàn)了對于合成語音共振峰頻率與帶寬等特征的靈活控制，并且進一步研究了HTM模型自適應(yīng)方法，提高了話者轉(zhuǎn)換合成語音的自然度與相似度。
　　整篇文章的安排如下

5、:
　　第一章是緒論，介紹語音產(chǎn)生機理，并簡要回顧幾種常見的語音合成方法。
　　第二章具體介紹基于HMM的統(tǒng)計參數(shù)語音合成方法，包括HMM的基本概念、基于HMM的語音合成系統(tǒng)框架以及其中的關(guān)鍵技術(shù)點，最后通過分析當前方法的優(yōu)缺點，闡述本文研究工作的動機與出發(fā)點。
　　第三章著重介紹基于雙流HMM的發(fā)音動作特征與聲學(xué)特征的聯(lián)合建模方法。首先，完成了多發(fā)音人中文連續(xù)語流發(fā)音動作特征數(shù)據(jù)庫的錄制，包括錄音環(huán)境的搭建以及對于采

6、集的發(fā)音動作特征的預(yù)處理等;然后，實現(xiàn)了基于雙流HMM的中文連續(xù)語流發(fā)音動作特征與聲學(xué)特征的聯(lián)合建模;最后，研究了不同的上下文屬性、模型聚類方式及流間相關(guān)性假設(shè)對于發(fā)音動作特征與聲學(xué)特征的聯(lián)合建模性能的影響。
　　第四章具體介紹結(jié)合目標-逼近模型與MRHMM模型的可控語音合成方法。首先，提出了基于目標-逼近模型的發(fā)音動作特征預(yù)測方法，該模型相比HMM模型具有參數(shù)數(shù)目較少且物理意義明確的優(yōu)點;其次，在第三章研究工作基礎(chǔ)上，設(shè)計實現(xiàn)了

7、結(jié)合目標-逼近模型和MRHMM模型的可控語音合成方法，并通過主客觀測試驗證了其結(jié)合語音學(xué)知識實現(xiàn)合成語音特征控制的有效性;最終，完成了結(jié)合發(fā)音動作特征的可控語音合成演示系統(tǒng)的開發(fā)。
　　第五章介紹基于HTM模型的統(tǒng)計參數(shù)語音合成方法。首先，介紹了HTM模型的基本框架，該模型將由目標-逼近模型產(chǎn)生的共振峰軌跡作為音素序列與可觀測聲學(xué)特征之間的隱含中間層，并利用非線性變換描述共振峰特征與聲學(xué)特征之間的映射關(guān)系;然后，提出了基于HTM模

8、型的統(tǒng)計參數(shù)語音合成方法，設(shè)計實現(xiàn)了相應(yīng)的模型訓(xùn)練與參數(shù)生成算法，并且通過實驗證明了該方法在降低頻譜特征預(yù)測誤差、提高合成語音自然度、實現(xiàn)對于合成語音共振峰特征靈活控制等方面的有效性。
　　第六章介紹基于HTM模型自適應(yīng)的語音合成話者轉(zhuǎn)換方法。首先，提出了HTM框架下的模型自適應(yīng)方法，該方法對于HTM模型中的共振峰相關(guān)參數(shù)和殘差相關(guān)參數(shù)分別進行轉(zhuǎn)換，并通過組合兩者轉(zhuǎn)換實現(xiàn)最終的模型自適應(yīng);然后，將HTM模型自適應(yīng)方法應(yīng)用于語音合成