[發(fā)明專利]混合語音合成器、方法和使用

無效

• 申請?zhí)枺?/td>: 200680010398.0
• 申請日: 2006-03-28
• 公開（公告）號: CN101156196A
• 公開（公告）日: 2008-04-02
• 發(fā)明（設(shè)計(jì)）人: 加里·馬普;尼山特·錢達(dá)
• 申請（專利權(quán)）人: 萊塞克技術(shù)公司
• 主分類號: G10L13/00
• 分類號: G10L13/00;G01L13/02
• 代理公司: 中國國際貿(mào)易促進(jìn)委員會專利商標(biāo)事務(wù)所
• 代理人: 吳麗麗

相關(guān)申請的交叉引用

本專利申請要求2005年3月28提交的共同所有的美國臨時(shí)專利申請?zhí)?0/665,821的權(quán)益，該專利申請整體以引用的方式被包含在本文中。

技術(shù)領(lǐng)域

本發(fā)明涉及新穎的文本到語音合成器、語音合成方法和具體實(shí)現(xiàn)語音合成器或方法的產(chǎn)品，包括話音識別系統(tǒng)。本發(fā)明的方法和系統(tǒng)適用于例如在個(gè)人計(jì)算機(jī)和其它計(jì)算機(jī)化的設(shè)備上的計(jì)算機(jī)實(shí)施方案，本發(fā)明還包括這樣的計(jì)算機(jī)化的系統(tǒng)和方法。

背景技術(shù)

理論上描述了三種不同的語音合成器，即，發(fā)音的、共振峰的和級聯(lián)的語音合成器。共振峰和級聯(lián)語音合成器已被開發(fā)用于商業(yè)用途。

共振峰語音合成器是早期的、高度數(shù)學(xué)的語音合成器。共振峰語音合成技術(shù)是基于利用與講話人聲道有關(guān)的參數(shù)，諸如基波頻率、聲道的長度和直徑、空氣壓力參數(shù)等等的聲學(xué)模型。基于共振峰的語音合成器可能是快速和低成本的，但所生成的聲音對于人耳來說聽上去不令人滿意。它通常聽起來不真實(shí)并且機(jī)械冰冷，或者是單調(diào)的。

合成單個(gè)單詞的發(fā)音需要對應(yīng)于輔音和元音的發(fā)音的聲音，以使該單詞可識別。然而，各個(gè)單詞具有多種發(fā)音的方式，諸如正式或非正式發(fā)音。許多字典不單提供對于單詞的意義的導(dǎo)引，而且還提供發(fā)音的導(dǎo)引。然而，在句子中的每個(gè)單詞按照字典對于單詞的音標(biāo)注釋進(jìn)行發(fā)音導(dǎo)致對于人耳是怪異的無吸引力的單調(diào)的語音。

為了解決這個(gè)問題，在本發(fā)明之前，許多市場上銷售的合成器利用級聯(lián)語音合成方法。在國際音標(biāo)字母表(IPA)字典中的基本語音單位(例如單音素、雙音素和三音素)被從個(gè)體的發(fā)音中記錄，然后被“級聯(lián)”或鏈接在一起形成合成的語音。雖然輸出的級聯(lián)語音的質(zhì)量可能優(yōu)于共振峰語音的質(zhì)量，但在許多情形下，由于可能是由在相鄰的語音單位之間的不完美合并造成的被稱為“雜散信號(glitch)”的問題，聽起來的感覺仍舊是不滿意的。

級聯(lián)合成器的其它重大缺點(diǎn)是對于大語音單位數(shù)據(jù)庫和高計(jì)算能力的要求。在某些情形下，利用所有單詞和有時(shí)是記錄語音的詞組的級聯(lián)合成可以使得話音標(biāo)識特征更清晰。無論如何，當(dāng)收聽使用較長的預(yù)先記錄的單位“合成”的語音的句子和段落時(shí)，語音仍舊是韻律很差的。“韻律”可被理解為牽涉到語言的步調(diào)、節(jié)律和音調(diào)方面。它也可以看作為包括正確說出的語言的質(zhì)量，這些質(zhì)量將人的語音與通常單調(diào)的傳統(tǒng)的級聯(lián)和共振峰機(jī)器語音區(qū)別開。

在語音合成器中采用的已知的文本歸一化器和文本分析器是逐個(gè)單詞地進(jìn)行的，在級聯(lián)合成的情形下，有時(shí)是逐個(gè)詞組進(jìn)行的。逐個(gè)單詞的方法，即使帶有各個(gè)單詞重音，很快變?yōu)楦杏X像機(jī)器發(fā)出的。級聯(lián)方法雖然具有某些改進(jìn)的話音質(zhì)量，但很快變?yōu)橹貜?fù)的，并且雜散信號可導(dǎo)致幅度和音調(diào)的誤對準(zhǔn)。

人類話音的自然悅耳可以在語音中表示為韻律，它的單元包括語音的發(fā)音節(jié)律和音調(diào)和響度的改變。傳統(tǒng)的共振峰語音合成器不能產(chǎn)生韻律與要發(fā)音的文本相關(guān)并與收聽人的收聽原因相關(guān)的高質(zhì)量合成語音。這樣的韻律的例子是記者的、有說服力的、辯論的、人類興趣的韻律等等。

自然語音在音調(diào)、節(jié)律、幅度和發(fā)音速率方面有變化。韻律模式是與周圍語境有關(guān)的，即與以前的和將來的單詞和句子有關(guān)。已知的語音合成器沒有滿意地考慮到這些因素。Addison等人共同擁有的美國專利No.6,865,533和6,847,931公開和要求保護(hù)采用有表現(xiàn)力的分析的方法和系統(tǒng)。

以上的背景技術(shù)的說明可包括對于本發(fā)明以前的現(xiàn)有技術(shù)來說是未知的、但由本發(fā)明提供的觀點(diǎn)、發(fā)現(xiàn)、理解或公開內(nèi)容或公開內(nèi)容的相關(guān)性。本發(fā)明的某些這樣的貢獻(xiàn)在這里被具體地指出，而本發(fā)明的其它這樣的貢獻(xiàn)將從它們的上下文明白。僅僅因?yàn)槲墨I(xiàn)可能已在這里引述，不允許可能與本發(fā)明的領(lǐng)域非常不同的文獻(xiàn)的領(lǐng)域類似于本發(fā)明的領(lǐng)域。

發(fā)明內(nèi)容

因此，需要一種資源節(jié)省的和可以從輸入文本生成高質(zhì)量語音的語音合成器和合成器方法。還需要一種可以提供自然節(jié)律和可以容易地生成具有一個(gè)或多個(gè)韻律的合成語音的語音合成器和合成器方法。

因此，本發(fā)明一方面提供用于從文本合成語音的新穎的語音合成器。語音合成器可包括文本分析器，用來分析要被合成的文本，得出可表現(xiàn)為音素的文本元素。合成器還可包括音素?cái)?shù)據(jù)庫，包含對于表現(xiàn)文本元素有用的聲音呈現(xiàn)的音素；和語音合成單元，用來組裝來自音素?cái)?shù)據(jù)庫的音素和生成組裝的音素作為用于信號。所選擇的音素可以相應(yīng)于各個(gè)文本元素。希望地，語音合成單元能夠連接相鄰的音素，以提供連續(xù)的語音信號。