语音合成

通过结合语言前端分析（包括规范化、发音和韵律）与从拼接法到神经网络方法的波形生成，从文本生成自然发音的语音。

Definition

语音合成，或文本到语音，是从输入文本计算生成可理解且自然的语音信号。

Scope

涵盖文本到语音合成：规范化文本并预测发音和韵律的前端，以及生成波形的后端，涵盖拼接法、参数法和神经网络方法。它涉及字素到音素的转换和韵律建模。语音识别在相关主题中介绍。

Core questions

• 书面文本如何规范化并转换为发音？
• 韵律（节奏、重音和语调）如何预测和呈现？
• 拼接合成、参数合成和神经网络合成有何不同？
• 合成语音的清晰度和自然度如何评估？

Key concepts

• 文本规范化
• 字素到音素转换
• 韵律
• 拼接合成
• 参数合成
• 神经声码器
• 清晰度
• 自然度

Key theories

前端语言处理

在生成任何波形之前，通过规范化、字素到音素转换和韵律预测，将原始文本转换为语言规范。

波形生成范式

通过拼接录制单元、通过统计参数模型或通过直接生成波形以实现高自然度的神经网络来生成音频。

History

早期的合成使用基于规则的共振峰方法，然后是拼接方法，通过拼接录制的单元进行合成，泰勒对此进行了详尽的调查。2000年代，统计参数合成提高了灵活性，2010年代后期，神经网络波形模型生成的语音接近人类的自然度。

Debates

自然度与可控性

神经网络合成具有高度自然度，但与早期的参数方法相比，更难控制特定的韵律或说话者特征，这在表达性应用中构成了权衡。

Key figures

• Paul Taylor
• Daniel Jurafsky
• James H. Martin

Seminal works

• taylor2009
• jurafsky2025

Frequently asked questions

什么是字素到音素转换？

它是预测书面单词如何发音的步骤，将字母映射到语音符号。它至关重要，因为拼写对于发音来说是不完美的指导，特别是对于姓名和不熟悉的单词。