Abstract
合成出自然、富有情緒的真實語音一直是各方追求的目標，而基於隱藏式馬可夫模型(Hidden Markov Model)實作之中文語音合成系統(Text-To-Speech System)，能夠利用少量的語料，合成出相當自然的語音。利用參數化之語音表示法的特性，能夠模仿任意目標語者的說話風格、情緒特徵，進而達到聲音轉換(voice conversion)的效果。 本系統分為三部份，分別是訓練端、調適端以及合成端。在訓練端，做法類似於語音辨認，對語料庫中的語料經過特徵參數抽取後，將特徵參數類似或相同的語音單元作訓練。合成單元的統計機率模型經過訓練後，可以充分的表達出合成單元的聲學特性。在調適端中，許多利用模型調適(Model Adaptation)來增進語音辨識系統(Automatic Speech Recognition)準確性的方法被應用在語音合成系統上，透過模型調適的演算法，將描述原始語者的模型參數調適為描述目標語者的模型參數，以期許可以模擬出任意目標語者自然語音的特色。本論文利用CSMAPLR(Constrained Structural Maximum A Posteriori Linear Regression)模型調適方法，將原始模擬新聞播報方式的模型，調適為吼叫聲(roar)之模型，達到情緒轉換之目的。最後為合成端，由輸入的文字作文句分析(text analysis)，挑選出對應的合成單元統計機率模型，這些統計機率模型串接為句模型(sentence model)，然後從利用參數產生演算法(parameter generation algorithm)產生特徵參數序列，最後利用反向濾波器產生語音訊號。 實驗中，利用主觀及客觀實驗，評量本系統對情緒以及語者特性之轉換。