搜尋
首頁科技週邊人工智慧智慧語音合成的核心原理
智慧語音合成的核心原理Jan 23, 2024 am 09:54 AM
機器學習

統計參數語音合成方法因其靈活性而在語音合成領域引起廣泛關注。近年來,深度神經網路模型在機器學習研究領域的應用取得顯著優勢,與傳統方法相比。基於神經網路的建模方法在統計參數語音合成中的應用逐漸深入,已成為語音合成的主流方法之一。

統計參數語音合成的後端聲學建模是本文的主題。

智慧語音合成的核心原理

參數化語音合成的後端框架

如圖,描述了統計參數語音合成的後端框架,主要包括訓練和合成兩個階段。

在訓練階段,使用聲音庫中的語音波形和對應的文字特徵作為輸入。透過聲碼器提取語音波形,並結合文字特徵進行聲學建模。

在合成階段,根據已訓練好的聲學模型,輸入待合成的文字特徵,預測對應的聲學特徵。然後,利用聲碼器將預測所得的聲學特徵轉換為語音波形。聲碼器和聲學模型是統計參數語音合成系統中的關鍵組成部分。

語音產生的源濾波器模型在語音波形參數化過程中被用來將語音的短時頻譜分離為基頻和頻譜包絡。通常,我們透過分析時域波形或頻域諧波來獲得語音的激勵特性,然後從語音波形的短時傅立葉變換得到的振幅頻譜中去除時間和頻率的周期性,從而得到語音的頻譜包絡。這種方法可以幫助我們更好地理解和處理語音訊號。

由於頻譜包絡的維度較高,建模變得困難,因此通常需要降低頻譜包絡的維度。重建語音波形是從語音聲學參數恢復原始語音的相反過程。透過給定語音的基頻、譜包絡和激勵特性,結合適當的相位約束,可以重構STFT幅度譜。

時長建模是統計參數語音合成中的另一個模組。時間長度建模不需要聲碼器。其基本框架類似於聲學建模。統計模型用於在給定文字特徵的條件下,對相應時間長度的機率分佈進行建模。

經過20多年的發展,基於HMM的統計參數語音合成方法已成為一種成熟的語音合成方法。

本節將介紹隱馬可夫模型及其理論基礎。結合一定的相位約束,重構 STFT 幅度頻譜。時長建模是統計參數語音合成中的另一個模組。時間長度建模不需要聲碼器。其基本框架類似於聲學建模。統計模型用於在給定文字特徵的條件下,對相應時間長度的機率分佈進行建模。經過20多年的發展,基於HMM的統計參數語音合成方法已成為成熟的語音合成方法。

隱馬可夫模型是一種對序列建模的機率模型,它由一組隱含的狀態變數組成和一組觀察變數。 HMM 模型有兩個假設。

狀態變數服從一階馬可夫鏈;即目前狀態只與前一次的狀態有關,如公式(1)所示。

智慧語音合成的核心原理

觀察變數在某一時刻的機率分佈只與當下時刻的狀態有關,與其他時刻的狀態或觀察變數無關,如式(2)所示。

智慧語音合成的核心原理

通常,在HMM模型中

智慧語音合成的核心原理

巧妙形成HMM的狀態轉移矩陣A,觀察變數的機率密度為:

智慧語音合成的核心原理

值得注意的是,HMM 的輸出機率:

智慧語音合成的核心原理

基於HMM的統計參數語音合成方法中聲學建模的核心原理是利用HMM模型對給定情況下語音的聲學特徵序列進行機率建模。

整個系統的配置包括語音聲學特徵的選擇、建模單元的選擇以及HMM模型的配置。語音合成系統中的聲學特徵包括激勵特徵和頻譜特徵。

在譜特徵的選擇上,為了降低HMM建模的難度,一般採用去除維度間相關性的低維譜表示,如梅爾倒譜和線譜對特徵。考慮到語音訊號的短時平穩特性和HM的建模能力,語音合成系統中的HMM通常會對音素等級的單元進行建模,例如中文中的元音單元。由於語音的時序特性,音訊建模中HMM的拓樸結構往往是從左到右的單向遍歷狀態。

#智慧語音合成的核心原理

基於HMM的統計參數語音合成系統框架

如圖描述了基於HMM的統計參數語音合成系統的框架。分為訓練階段和綜合階段。訓練階段包括語音聲學特徵提取和HMM模型訓練。由於HMM模型使用音素作為建​​模單元,因此通常對三個上下文相關的音素進行建模以提高建模精度。

在第一個系統訓練過程中,估HMM模型的方差下限,然後訓練單音HMM模型作為模型初始化參數,然後訓練上下文相關的三音素HMM模型,最後進行Mn壓力聚類基於決策樹進行。

在合成階段,首先對文本進行分析,結合預測的時間長度,根據決策樹確定上下文相關的HMM模型序列,然後透過最大似然參數生成演算法得到連續的聲學特徵序列,語音波形由合成器合成。基於HMM的統計參數語音合成系統過於流暢;一個原因是HMM的建模能力有限。

最近幾年,作為機器學習的一個分支,深度學習發展迅速。深度學習是指使用由多個非線性變換和多個處理層組成的網路模型,即神經網路。由於DNN和inch的出色建模能力n , 將基於DNN和RNN的聲學建模方法應用於統計參數語音合成,其效果優於基於HMM的聲學建模方法。

目前已成為統計參數語音合成聲學建模的主流方法。基於DNN和RNN的語音合成系統在系統框架上類似。

智慧語音合成的核心原理

基於神經網路的語音合成方法框架圖

如圖,圖中的輸入特徵是從文字中提取的特徵;即以離散或連續的數值特徵來描述文字。

基於DNN和RNN的統計參數語音合成系統的訓練通常採用訓練準則,利用BP演算法和SGD演算法更新模型參數,使預測的聲學參數盡可能接近自然聲學參數。在合成階段,從合成文字中擷取文字特徵,然後透過DNN或RNN預測對應的聲學參數,最後透過聲碼器合成語音波形。

目前,基於DNN和RNN的建模方法主要應用於語音聲學參數,包括基頻和頻譜參數。時長資訊仍需透過其他系統取得。此外,DNN和RNN模型的輸入輸出特徵需要及時對齊。

以上是智慧語音合成的核心原理的詳細內容。更多資訊請關注PHP中文網其他相關文章!

陳述
本文轉載於:网易伏羲。如有侵權,請聯絡admin@php.cn刪除
解读CRISP-ML(Q):机器学习生命周期流程解读CRISP-ML(Q):机器学习生命周期流程Apr 08, 2023 pm 01:21 PM

译者 | 布加迪审校 | 孙淑娟目前,没有用于构建和管理机器学习(ML)应用程序的标准实践。机器学习项目组织得不好,缺乏可重复性,而且从长远来看容易彻底失败。因此,我们需要一套流程来帮助自己在整个机器学习生命周期中保持质量、可持续性、稳健性和成本管理。图1. 机器学习开发生命周期流程使用质量保证方法开发机器学习应用程序的跨行业标准流程(CRISP-ML(Q))是CRISP-DM的升级版,以确保机器学习产品的质量。CRISP-ML(Q)有六个单独的阶段:1. 业务和数据理解2. 数据准备3. 模型

2023年机器学习的十大概念和技术2023年机器学习的十大概念和技术Apr 04, 2023 pm 12:30 PM

机器学习是一个不断发展的学科,一直在创造新的想法和技术。本文罗列了2023年机器学习的十大概念和技术。 本文罗列了2023年机器学习的十大概念和技术。2023年机器学习的十大概念和技术是一个教计算机从数据中学习的过程,无需明确的编程。机器学习是一个不断发展的学科,一直在创造新的想法和技术。为了保持领先,数据科学家应该关注其中一些网站,以跟上最新的发展。这将有助于了解机器学习中的技术如何在实践中使用,并为自己的业务或工作领域中的可能应用提供想法。2023年机器学习的十大概念和技术:1. 深度神经网

基于因果森林算法的决策定位应用基于因果森林算法的决策定位应用Apr 08, 2023 am 11:21 AM

译者 | 朱先忠​审校 | 孙淑娟​在我之前的​​博客​​中,我们已经了解了如何使用因果树来评估政策的异质处理效应。如果你还没有阅读过,我建议你在阅读本文前先读一遍,因为我们在本文中认为你已经了解了此文中的部分与本文相关的内容。为什么是异质处理效应(HTE:heterogenous treatment effects)呢?首先,对异质处理效应的估计允许我们根据它们的预期结果(疾病、公司收入、客户满意度等)选择提供处理(药物、广告、产品等)的用户(患者、用户、客户等)。换句话说,估计HTE有助于我

使用PyTorch进行小样本学习的图像分类使用PyTorch进行小样本学习的图像分类Apr 09, 2023 am 10:51 AM

近年来,基于深度学习的模型在目标检测和图像识别等任务中表现出色。像ImageNet这样具有挑战性的图像分类数据集,包含1000种不同的对象分类,现在一些模型已经超过了人类水平上。但是这些模型依赖于监督训练流程,标记训练数据的可用性对它们有重大影响,并且模型能够检测到的类别也仅限于它们接受训练的类。由于在训练过程中没有足够的标记图像用于所有类,这些模型在现实环境中可能不太有用。并且我们希望的模型能够识别它在训练期间没有见到过的类,因为几乎不可能在所有潜在对象的图像上进行训练。我们将从几个样本中学习

LazyPredict:为你选择最佳ML模型!LazyPredict:为你选择最佳ML模型!Apr 06, 2023 pm 08:45 PM

本文讨论使用LazyPredict来创建简单的ML模型。LazyPredict创建机器学习模型的特点是不需要大量的代码,同时在不修改参数的情况下进行多模型拟合,从而在众多模型中选出性能最佳的一个。 摘要本文讨论使用LazyPredict来创建简单的ML模型。LazyPredict创建机器学习模型的特点是不需要大量的代码,同时在不修改参数的情况下进行多模型拟合,从而在众多模型中选出性能最佳的一个。​本文包括的内容如下:​简介​LazyPredict模块的安装​在分类模型中实施LazyPredict

Mango:基于Python环境的贝叶斯优化新方法Mango:基于Python环境的贝叶斯优化新方法Apr 08, 2023 pm 12:44 PM

译者 | 朱先忠审校 | 孙淑娟引言模型超参数(或模型设置)的优化可能是训练机器学习算法中最重要的一步,因为它可以找到最小化模型损失函数的最佳参数。这一步对于构建不易过拟合的泛化模型也是必不可少的。优化模型超参数的最著名技术是穷举网格搜索和随机网格搜索。在第一种方法中,搜索空间被定义为跨越每个模型超参数的域的网格。通过在网格的每个点上训练模型来获得最优超参数。尽管网格搜索非常容易实现,但它在计算上变得昂贵,尤其是当要优化的变量数量很大时。另一方面,随机网格搜索是一种更快的优化方法,可以提供更好的

人工智能自动获取知识和技能,实现自我完善的过程是什么人工智能自动获取知识和技能,实现自我完善的过程是什么Aug 24, 2022 am 11:57 AM

实现自我完善的过程是“机器学习”。机器学习是人工智能核心,是使计算机具有智能的根本途径;它使计算机能模拟人的学习行为,自动地通过学习来获取知识和技能,不断改善性能,实现自我完善。机器学习主要研究三方面问题:1、学习机理,人类获取知识、技能和抽象概念的天赋能力;2、学习方法,对生物学习机理进行简化的基础上,用计算的方法进行再现;3、学习系统,能够在一定程度上实现机器学习的系统。

超参数优化比较之网格搜索、随机搜索和贝叶斯优化超参数优化比较之网格搜索、随机搜索和贝叶斯优化Apr 04, 2023 pm 12:05 PM

本文将详细介绍用来提高机器学习效果的最常见的超参数优化方法。 译者 | 朱先忠​审校 | 孙淑娟​简介​通常,在尝试改进机器学习模型时,人们首先想到的解决方案是添加更多的训练数据。额外的数据通常是有帮助(在某些情况下除外)的,但生成高质量的数据可能非常昂贵。通过使用现有数据获得最佳模型性能,超参数优化可以节省我们的时间和资源。​顾名思义,超参数优化是为机器学习模型确定最佳超参数组合以满足优化函数(即,给定研究中的数据集,最大化模型的性能)的过程。换句话说,每个模型都会提供多个有关选项的调整“按钮

See all articles

熱AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool

Undress AI Tool

免費脫衣圖片

Clothoff.io

Clothoff.io

AI脫衣器

AI Hentai Generator

AI Hentai Generator

免費產生 AI 無盡。

熱門文章

R.E.P.O.能量晶體解釋及其做什麼(黃色晶體)
2 週前By尊渡假赌尊渡假赌尊渡假赌
倉庫:如何復興隊友
1 個月前By尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island冒險:如何獲得巨型種子
4 週前By尊渡假赌尊渡假赌尊渡假赌

熱工具

PhpStorm Mac 版本

PhpStorm Mac 版本

最新(2018.2.1 )專業的PHP整合開發工具

Atom編輯器mac版下載

Atom編輯器mac版下載

最受歡迎的的開源編輯器

ZendStudio 13.5.1 Mac

ZendStudio 13.5.1 Mac

強大的PHP整合開發環境

SAP NetWeaver Server Adapter for Eclipse

SAP NetWeaver Server Adapter for Eclipse

將Eclipse與SAP NetWeaver應用伺服器整合。

EditPlus 中文破解版

EditPlus 中文破解版

體積小,語法高亮,不支援程式碼提示功能