第一章 緒論
1.1 研究動機
隨著科技的蓬勃發展，電腦運算能力的不斷提升，使得電腦有能力處理以溝通和訊 息交換為主的研究，在這過程中，早期的研究主要是致力於如何提供最有用，最有價值 的資訊，然而，資訊最終的目的是要提供給使用者，所以人與電腦間的溝通就顯得格外 的重要。
語 音 是 人 類 自 然 的 溝 通 方 式 ， 它 也 可 以 成 為 一 種 人 機 溝 通 方 式 ， 一 個 TTS (text-to-speech)系統就是其中一種。在近幾年 TTS 系統已經發展成一種人機介面的輸出 裝置，而且被使用在許多應用領域，例如：汽車導行系統、語音郵件、語言轉換系統等 等。
然而傳統上使用不同語音單元，以連續串接的方式，合成各式各樣的語音特性，例 如：不同語者、不同情緒，需要大量的語音資料庫，可是大量的語料不容易去收集、切 割並儲存它們。從這角度看來，為了建立一個可以產生各種語音特性的語音合成系統。
一種基於 HMM(Hidden Markov Model)的 TTS 系統被提出。本論文主要著重在設計一套 以語料庫為基礎的英文文句翻語音系統，期能使聲音音質的自然流暢度更為提升。
1.2 文獻回顧
傳統上，研究語言文字轉語音系統多半以實現整個系統為主，多以 Corpus-based 為 基礎的語音合成系統。Corpus-based 共有兩種主要技術， Sample-based 合成法與統計 (statistical)合成法。Sample-based 合成法像是單元選取(unit selection)合成法[1][2]，一種 直接從語料庫中選取聲音單元，再串接起來成為語音波形。unit selection 合成法的一個 最主要好處是，藉著串接自然的聲音單元，可以得到保留原本語者特性的高品質聲音。
2
然而因為擁有目標單元特性(attribute)的聲音單元，不總是在語料庫中，因此，類似目標 單元特性的其它單元將被代替使用，當串接這樣不同的單元在一起時，常會造成聽覺上 不連續的現象。為減少此現象以達到高品質的聲音，一個廣泛包含各種特性的語料庫是 必須的。因為有許許多多會影響韻律特性的上下文(contextual)因子，使語料庫變得非常 巨大，要建立如此巨大的語料庫將會非常吃力，而且此種方法本質上很難具有彈性去合 成出不同聲音特性的各種語音。
另一方面，統計合成法使用抽取語料庫中各音檔的各種統計參數來合成語音，根據 這些統計參數合成的語音，具有較連續且較一致的品質。像是[3][4][5]在所有統計方法 中，我們將把焦點放在 HMM-based 語音合成法[6][7]。HMM-based 語音合成法具有下 列優點，(1)HMM 已被廣為人知，適合模擬語音參數的時間序列。(2)可以將許多原本運 用在語音辨識上的計術，運用到語音合成上。(3)因為 HMM 在數學上較易處理，可藉著 修改聲音統計參數，達到改變合成後的語音特性。
1.3 研究方向
這篇論文中，我們應用 HTS(HMM-based speech synthesis system)[8]的方法及另一個 語音合成語音軟體 Festival[9]的資料 ，去合成英文語音。類似其它 data-driven 語音合成 方法，HTS 有一個精簡的語言相依模組：一串文本因子(contextual factors)，透過自己用 Python 程式語言寫的程式抽取特徵(feature)。再使用 HTS 運算核心引擎合成語音，最後 再實作一個可以線上 demo 的伺服器端程式與用戶端圖形使用者介面。
1.4 語料庫簡介
本論文所使用的語料是由一位以中文為母語的女性所錄製而成，以托福考試的英文
3
4
表 1. 4：word 中音節個數的統計
1 7306 4 661 7 2
2 2847 5 196
3 1473 6 44
表 1. 5：每種詞性 word 個數統計
PRP$ 96 VBZ 336 NNP 305 VBG 232 DT 1393 VB 368 VBD 280 RP 32 WRB 73 VBN 537 NN 2133 CC 504
VBP 247 TO 314 LS 1 WDT 97 PRP 188 PDT 8 JJ 1207 RB 572 RBS 13 WP 15 NNS 1292 RBR 24 CD 208 WP$ 4 JJS 20 EX 13 MD 153 JJR 47
IN 1806 NNPS 11
詞性使用 The Penn Treebank POS tag set，如表 1.6
5
表 1. 6：The Penn Treebank POS tag set[14]
1.5 章節概要說明
本論文一共分為五章，其各章節內容分配如下：
第一章：緒論。