HMM-Based Chinese Text-To-Speech System

語音合成系統近年發展主要可分為兩大類，第一為串接式的語音合成，從錄製好的語音資料庫中挑選所需音訊片段，串接而成所需之語音。第二則是統計模型式的語音合成，不同於前者，此方式會以語音資料庫訓練聲學模型，並於合成時以該模型計算出語音特徵參數，並合成所需之語音。
本論文實作基於隱藏式馬可夫模型之中文語音合成系統，屬於上述第二種語音合成方式。針對中文語音的特性，於訓練隱藏式馬可夫模型的階段，考慮訓練語句之聲調以及韻律結構等影響，訓練出不同韻律特性之聲學模型。並於合成階段，對欲合成的輸入文字進行分析，以條件隨機域模型預測其韻律結構，並配合上述聲學模型合成語音。實驗結果顯示，考慮以上中文特性確實有助於改善合成之語音，不論是以語音訊號誤差為標準的客觀評估，或是以人的聽覺為主的主觀評估，結果皆有進步。
本系統亦結合臉部嘴型動畫合成系統，將合成語音與臉部動畫結合，成為一個Talking Head系統。