專(zhuān)利名稱(chēng)：一種對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人機(jī)交互中語(yǔ)音合成技術(shù)領(lǐng)域，尤其涉及一種對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，具體地涉及普通話(huà)句重音、詞重音的建模，以及基于最大熵模型的詞重音、句重音的兩層重音預(yù)測(cè)方法。
背景技術(shù)：
準(zhǔn)確的重音描述以及從文本信息中預(yù)測(cè)重音信息一直是語(yǔ)音合成至關(guān)重要的一步，是提高合成語(yǔ)音表現(xiàn)力、構(gòu)建和諧人機(jī)交互技術(shù)的重要組成部分。重音模型能夠刻畫(huà)出語(yǔ)音中的抑揚(yáng)頓挫與輕重緩急，進(jìn)而提高合成語(yǔ)音的表現(xiàn)力和自然度。重音的建模與預(yù)測(cè)對(duì)語(yǔ)音合成，人機(jī)交互等的發(fā)展具有重要意義。雖然，在這個(gè)領(lǐng)域已經(jīng)有很多的研究工作，但是重音建模與預(yù)測(cè)還有很多問(wèn)題至今沒(méi)有很好的解決。其中，具有重音標(biāo)注的用于語(yǔ)音合成的語(yǔ)料庫(kù)較少，且在僅有的幾個(gè)語(yǔ)料庫(kù)中，都強(qiáng)調(diào)重音音節(jié)的分析研究，沒(méi)有對(duì)輕音音節(jié)的分析。但是，從語(yǔ)音合成實(shí)驗(yàn)結(jié)果來(lái)看，合成結(jié)果之所以不理想，重要原因之一就是現(xiàn)有合成系統(tǒng)忽略了語(yǔ)音輕音的問(wèn)題。輕音除了對(duì)語(yǔ)流中的輕重緩急起到一定的襯托作用，它還具有表義的作用，即具有區(qū)分詞義的作用。因此，為了提高合成語(yǔ)音的自然度和表現(xiàn)力，有必要加強(qiáng)輕音音節(jié)的研究，同時(shí)進(jìn)一步提高重音音節(jié)的研究。

發(fā)明內(nèi)容
(一)要解決的技術(shù)問(wèn)題為了解決現(xiàn)有技術(shù)問(wèn)題，本發(fā)明的主要目的是要提出一種對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，以更精確的描述語(yǔ)音中用于表現(xiàn)韻律凸顯的重音現(xiàn)象，同時(shí)能夠從任意輸入的文本得到較為細(xì)致的重音等級(jí)標(biāo)注結(jié)果。( 二 )技術(shù)方案為達(dá)到上述目的，本發(fā)明提供了一種對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，該方法采用層次化重音描述體系對(duì)普通話(huà)重音進(jìn)行描述，包括選擇合適的重音描述體系，創(chuàng)建層級(jí)標(biāo)注的重音語(yǔ)料庫(kù)；訓(xùn)練生成韻律詞重音預(yù)測(cè)模型；訓(xùn)練生成句重音預(yù)測(cè)模型；以及根據(jù)韻律詞重音模型與句重音預(yù)測(cè)模型結(jié)果綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)果。上述方案中，所述采用層次化重音描述體系對(duì)普通話(huà)重音進(jìn)行描述，是采用句重音與韻律詞重音對(duì)普通話(huà)重音進(jìn)行描述，以重音凸顯范圍將普通話(huà)重音分為句重音與韻律詞重音兩個(gè)層級(jí)，對(duì)于句重音層級(jí)采用重音音節(jié)的建模分析，而對(duì)于韻律詞重音層級(jí)采用輕音音節(jié)的建模分析。所述句重音用于表明在句子層面凸顯的韻律詞，所述韻律詞重音用于表明韻律詞內(nèi)部音節(jié)之間的凸顯對(duì)比。
上述方案中，所述選擇合適的重音描述體系，是以重音凸顯范圍將普通話(huà)重音分為句重音與韻律詞重音兩個(gè)層級(jí)，然后針對(duì)不同的層級(jí)，選擇不同的重音標(biāo)注單元。所述重音標(biāo)注單元分為兩類(lèi)在韻律詞重音中，重音標(biāo)注單元為單個(gè)韻律詞；在句重音標(biāo)注中，標(biāo)注單元為句子。所述創(chuàng)建層級(jí)標(biāo)注的重音語(yǔ)料庫(kù)，是在錄音室錄制語(yǔ)音數(shù)據(jù)，并進(jìn)行音節(jié)切分，韻律邊界標(biāo)注，最后按照標(biāo)注單元的重音凸顯程度高低分別標(biāo)注為3、2、1三個(gè)等級(jí)。上述方案中，所述訓(xùn)練生成韻律詞重音預(yù)測(cè)模型，是訓(xùn)練一個(gè)能夠預(yù)測(cè)當(dāng)前音節(jié)在其所在的韻律詞范圍內(nèi)是輕音的概率的模型，訓(xùn)練的具體過(guò)程為采用一文本特征參數(shù)提取模塊，得到與韻律詞重音特征相關(guān)的文本特征參數(shù)Fl作為模型訓(xùn)練輸入，利用最大熵模型，得到有關(guān)韻律詞內(nèi)部輕音節(jié)與非輕音節(jié)的文本特征差異，進(jìn)而通過(guò)模型訓(xùn)練得到音節(jié)是輕音的概率，建立韻律詞重音預(yù)測(cè)模型。所述韻律詞重音預(yù)測(cè)模型具有一用于輸出韻律詞重音預(yù)測(cè)結(jié)果的輸出端。上述方案中，所述訓(xùn)練生成句重音預(yù)測(cè)模型，是訓(xùn)練一個(gè)能夠預(yù)測(cè)當(dāng)前音節(jié)在句子范圍內(nèi)是重音的概率的模型，訓(xùn)練的具體過(guò)程為采用一文本特征參數(shù)提取模塊，得到與句子級(jí)別重音預(yù)測(cè)相關(guān)的文本特征參數(shù)F2作為模型輸入，利用最大熵模型，訓(xùn)練有關(guān)句子層級(jí)重音節(jié)與非重音節(jié)的文本特征差異，進(jìn)而通過(guò)模型訓(xùn)練得到音節(jié)是重音的概率，建立句重音預(yù)測(cè)模型。所述句重音預(yù)測(cè)模型具有一輸出句重音預(yù)測(cè)結(jié)果的輸出端。上述方案中，所述根據(jù)韻律詞重音模型與句重音預(yù)測(cè)模型結(jié)果綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)果，是將韻律詞重音預(yù)測(cè)結(jié)果和句重音預(yù)測(cè)結(jié)果采用公式 PD: 進(jìn)行加權(quán)綜合，然后輸出綜合后的層級(jí)重音標(biāo)注信息；其中，
和尸Z^r分別是音節(jié)在當(dāng)前韻律詞和句子中的重音凸顯度，尸乃=是韻律詞在當(dāng)前句子中的重音凸顯度。(三)有益效果從上述技術(shù)方案可以看出，本發(fā)明具有以下有益效果1、本發(fā)明提供的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，加強(qiáng)了重音研究中的輕音音節(jié)的研究。以往的重音研究都側(cè)重于重音音節(jié)的研究，包括重音音節(jié)的文本相關(guān)物和聲學(xué)表現(xiàn)等。但是，從語(yǔ)音合成結(jié)果來(lái)看，單純強(qiáng)調(diào)重音音節(jié)的研究并不能使得合成語(yǔ)音在自然度和表現(xiàn)力上有明顯的提高。其原因?yàn)椋S著交互的需要，在真實(shí)語(yǔ)流中存在越來(lái)越多的輕音音節(jié)，輕音除了對(duì)語(yǔ)流中的輕重緩急起到一定的襯托作用，有時(shí)還具有區(qū)分詞義的作用。為了解決該問(wèn)題，本發(fā)明引入了對(duì)重音中輕音音節(jié)的研究，同時(shí)，本發(fā)明進(jìn)一步提高了重音音節(jié)的研究，提出了層級(jí)的重音建模方法。2、本發(fā)明提供的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，在層級(jí)重音預(yù)測(cè)中，針對(duì)不同層級(jí)的重音預(yù)測(cè)模型，采用不同的文本特征集合，以及特征窗口長(zhǎng)度，這樣能夠細(xì)致的描述在不同級(jí)別下，重音的文本特征，增加了模型預(yù)測(cè)的正確率。3、本發(fā)明提供的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，在層級(jí)重音標(biāo)注綜合結(jié)果階段，采用加權(quán)的方法，這樣得到的重音描述體系更為細(xì)致，使得采用這種重音標(biāo)注方式得到的合成語(yǔ)音自然度和表現(xiàn)力更好。


通過(guò)以下結(jié)合附圖的詳細(xì)描述，本發(fā)明的上述和其它方面、特征和優(yōu)點(diǎn)將變得更加顯而易見(jiàn)，其中圖1是本發(fā)明提供的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法流程圖；圖2是依照本發(fā)明實(shí)施例對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法流程圖。圖3是依照本發(fā)明實(shí)施例訓(xùn)練生成韻律詞重音預(yù)測(cè)模型的方法流程圖。圖4是依照本發(fā)明實(shí)施例訓(xùn)練生成句重音預(yù)測(cè)模型的方法流程圖。圖5是依照本發(fā)明實(shí)施例綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)果的方法流程圖。圖6是依照本發(fā)明實(shí)施例對(duì)普通話(huà)重音進(jìn)行層次化預(yù)測(cè)的方法流程圖。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。本發(fā)明提供的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，是采用層次化重音描述體系對(duì)普通話(huà)重音進(jìn)行描述，即采用句重音與韻律詞重音對(duì)普通話(huà)重音進(jìn)行描述，以重音凸顯范圍將普通話(huà)重音分為句重音與韻律詞重音兩個(gè)層級(jí)，對(duì)于句重音層級(jí)采用重音音節(jié)的建模分析，而對(duì)于韻律詞重音層級(jí)采用輕音音節(jié)的建模分析。所述句重音用于表明在句子層面凸顯的韻律詞，所述韻律詞重音用于表明韻律詞內(nèi)部音節(jié)之間的凸顯對(duì)比。相應(yīng)的，本發(fā)明采用基于最大熵的層次化的重音預(yù)測(cè)模型。本發(fā)明提供的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，用于中文語(yǔ)音合成中重音信息的預(yù)測(cè)，對(duì)語(yǔ)音合成系統(tǒng)接收或輸入的任意文字串標(biāo)注每個(gè)音節(jié)的重音等級(jí)；采用層級(jí)重音描述體系，即句子層面以及韻律詞層面，其中，在句子層面的重音，本發(fā)明側(cè)重重音詞或者重音音節(jié)的研究，而在詞層面，本發(fā)明側(cè)重輕音音節(jié)研究；創(chuàng)建大規(guī)模的層級(jí)重音標(biāo)注語(yǔ)料數(shù)據(jù)庫(kù)；從標(biāo)注文本進(jìn)行特征提??；訓(xùn)練最大熵模型預(yù)測(cè)詞內(nèi)重音；訓(xùn)練最大熵模型預(yù)測(cè)句內(nèi)重音，綜合詞重音與句重音的的預(yù)測(cè)結(jié)果得到更精確的重音等級(jí)描述。如圖1所示，圖1是本發(fā)明提供的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法流程圖，該方法采用層次化重音描述體系對(duì)普通話(huà)重音進(jìn)行描述，包括選擇合適的重音描述體系，創(chuàng)建層級(jí)標(biāo)注的重音語(yǔ)料庫(kù)；訓(xùn)練生成韻律詞重音預(yù)測(cè)模型；訓(xùn)練生成句重音預(yù)測(cè)模型；以及根據(jù)韻律詞重音模型與句重音預(yù)測(cè)模型結(jié)果綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)^ ο其中，所述采用層次化重音描述體系對(duì)普通話(huà)重音進(jìn)行描述，是采用句重音與韻律詞重音對(duì)普通話(huà)重音進(jìn)行描述，以重音凸顯范圍將普通話(huà)重音分為句重音與韻律詞重音兩個(gè)層級(jí)，對(duì)于句重音層級(jí)采用重音音節(jié)的建模分析，而對(duì)于韻律詞重音層級(jí)采用輕音音節(jié)的建模分析。所述句重音用于表明在句子層面凸顯的韻律詞，所述韻律詞重音用于表明韻律詞內(nèi)部音節(jié)之間的凸顯對(duì)比。所述選擇合適的重音描述體系，是以重音凸顯范圍將普通話(huà)重音分為句重音與韻律詞重音兩個(gè)層級(jí)，然后針對(duì)不同的層級(jí)，選擇不同的重音標(biāo)注單元。所述重音標(biāo)注單元分為兩類(lèi)在韻律詞重音中，重音標(biāo)注單元為單個(gè)韻律詞；在句重音標(biāo)注中，標(biāo)注單元為句子。所述創(chuàng)建層級(jí)標(biāo)注的重音語(yǔ)料庫(kù)，是在錄音室錄制語(yǔ)音數(shù)據(jù)，并進(jìn)行音節(jié)切分，韻律邊界標(biāo)注，最后按照標(biāo)注單元的重音凸顯程度高低分別標(biāo)注為3、2、1三個(gè)等級(jí)。所述訓(xùn)練生成韻律詞重音預(yù)測(cè)模型，是訓(xùn)練一個(gè)能夠預(yù)測(cè)當(dāng)前音節(jié)在其所在的韻律詞范圍內(nèi)是輕音的概率的模型，訓(xùn)練的具體過(guò)程為采用一文本特征參數(shù)提取模塊，得到與韻律詞重音特征相關(guān)的文本特征參數(shù)Fl作為模型訓(xùn)練輸入，利用最大熵模型，得到有關(guān)韻律詞內(nèi)部輕音節(jié)與非輕音節(jié)的文本特征差異，進(jìn)而通過(guò)模型訓(xùn)練得到音節(jié)是輕音的概率，建立韻律詞重音預(yù)測(cè)模型。所述韻律詞重音預(yù)測(cè)模型具有一用于輸出韻律詞重音預(yù)測(cè)結(jié)果的輸出端。所述訓(xùn)練生成句重音預(yù)測(cè)模型，是訓(xùn)練一個(gè)能夠預(yù)測(cè)當(dāng)前音節(jié)在句子范圍內(nèi)是重音的概率的模型，訓(xùn)練的具體過(guò)程為采用一文本特征參數(shù)提取模塊，得到與句子級(jí)別重音預(yù)測(cè)相關(guān)的文本特征參數(shù)F2作為模型輸入，利用最大熵模型，訓(xùn)練有關(guān)句子層級(jí)重音節(jié)與非重音節(jié)的文本特征差異，進(jìn)而通過(guò)模型訓(xùn)練得到音節(jié)是重音的概率，建立句重音預(yù)測(cè)模型。所述句重音預(yù)測(cè)模型具有一輸出句重音預(yù)測(cè)結(jié)果的輸出端。所述根據(jù)韻律詞重音模型與句重音預(yù)測(cè)模型結(jié)果綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)果，是將韻律詞重音預(yù)測(cè)結(jié)果和句重音預(yù)測(cè)結(jié)果采用公式=PD: χPD:迸行加權(quán)綜合，然后輸出綜合后的層級(jí)重音標(biāo)注信息；其中，分別是音節(jié)在當(dāng)前韻律詞和句子中的重音凸顯度，/5CC"是韻律詞在當(dāng)前句子中的重音凸顯度?；趫D1所示的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，圖2至圖6示出了依照本發(fā)明一個(gè)實(shí)施例對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法流程。其中，圖2示出了依照本發(fā)明實(shí)施例對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法流程圖。在圖2所示的實(shí)施例中，左側(cè)為訓(xùn)練部分，包括語(yǔ)音合成語(yǔ)料庫(kù)、韻律詞重音等級(jí)標(biāo)注語(yǔ)料庫(kù)、句重音等級(jí)標(biāo)注語(yǔ)料庫(kù)、韻律詞重音預(yù)測(cè)模型訓(xùn)練、句重音預(yù)測(cè)模型訓(xùn)練、層級(jí)重音預(yù)測(cè)模型訓(xùn)練；右側(cè)為在線運(yùn)行部分，包括淺層詞法分析與節(jié)奏預(yù)測(cè)、在線層級(jí)重音預(yù)測(cè)兩大部分，輸入為任意文本，輸出為層級(jí)的重音標(biāo)注結(jié)果。其中，在線層級(jí)重音預(yù)測(cè)依賴(lài)于離線訓(xùn)練得到的層級(jí)重音預(yù)測(cè)模型。由韻律詞重音等級(jí)標(biāo)注語(yǔ)料庫(kù)得到韻律詞重音預(yù)測(cè)模型，由韻律詞重音等級(jí)標(biāo)注語(yǔ)料庫(kù)和句重音等級(jí)標(biāo)注語(yǔ)料庫(kù)綜合得到句中音節(jié)重音等級(jí)標(biāo)注的語(yǔ)料庫(kù)，進(jìn)而訓(xùn)練得到句重音預(yù)測(cè)模型，由韻律詞重音預(yù)測(cè)模型和句重音預(yù)測(cè)模型綜合得到層級(jí)重音預(yù)測(cè)模型。圖3示出了是依照本發(fā)明實(shí)施例訓(xùn)練生成韻律詞重音預(yù)測(cè)模型的方法流程圖。輸入為韻律詞中音節(jié)重音等級(jí)標(biāo)注的語(yǔ)料庫(kù)，經(jīng)過(guò)文本特征提取，如分詞、詞性標(biāo)注，韻律邊界標(biāo)注等，提取出與韻律詞重音相關(guān)的文本特征集合F1，利用最大熵模型從大規(guī)模重音標(biāo)注語(yǔ)料中統(tǒng)計(jì)訓(xùn)練學(xué)習(xí)得到當(dāng)前音節(jié)是韻律詞層面輕音的概率，輸出為韻律詞重音預(yù)測(cè)模型。圖4示出了依照本發(fā)明實(shí)施例訓(xùn)練生成句重音預(yù)測(cè)模型的方法流程圖。輸入為句中音節(jié)重音等級(jí)標(biāo)注的語(yǔ)料庫(kù)，經(jīng)過(guò)文本特征提取，如分詞、詞性標(biāo)注，韻律邊界標(biāo)注等，提取出與句重音相關(guān)的文本特征集合F2，利用最大熵模型從大規(guī)模重音標(biāo)注語(yǔ)料中統(tǒng)計(jì)訓(xùn)練學(xué)習(xí)得到當(dāng)前音節(jié)是句子層面重音的概率，輸出為句重音預(yù)測(cè)模型。圖5示出了依照本發(fā)明實(shí)施例綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)果的方法流程圖。 對(duì)任意輸入語(yǔ)句，能夠標(biāo)注出韻律詞內(nèi)重音對(duì)比以及句內(nèi)音節(jié)重音對(duì)比，輸出為句子中每個(gè)音節(jié)的層級(jí)重音描述。圖6示出了依照本發(fā)明實(shí)施例對(duì)普通話(huà)重音進(jìn)行層次化預(yù)測(cè)的方法流程圖。該實(shí)施例從以下六個(gè)方面對(duì)本發(fā)明進(jìn)一步詳細(xì)描述1、準(zhǔn)備重音標(biāo)注語(yǔ)料庫(kù)。根據(jù)本發(fā)明，文本選用一個(gè)標(biāo)注有韻律詞、韻律短語(yǔ)以及語(yǔ)調(diào)短語(yǔ)邊界信息的語(yǔ)音合成文本語(yǔ)料庫(kù)。同時(shí)，對(duì)該語(yǔ)料進(jìn)行以韻律詞為單位的切分，形成一個(gè)以韻律詞為單位存儲(chǔ)的語(yǔ)料庫(kù)。這些韻律詞切分之后被打亂原來(lái)的次序，以單個(gè)文件的方式存儲(chǔ)，避免了上下文信息對(duì)詞重音感知的影響。例如標(biāo)注實(shí)例(單句)向香港I特別行政區(qū)同胞$澳門(mén)I和臺(tái)灣同胞$海外僑胞.xiang4 xiangl gang3 te4 bie2 xing2 zheng4 qui tong2 baol ao4men2 he2 tai 2wanl tong2 baol hai3 wai4 qiao2 baol其中，空格表示韻律詞邊界，‘ I，表示韻律短語(yǔ)的位置，‘$’表示韻律短語(yǔ)的位置。韻律詞為單位的語(yǔ)料庫(kù)實(shí)例香港xiangl gang32、韻律詞重音標(biāo)注和句重音標(biāo)注。包括韻律詞內(nèi)音節(jié)等級(jí)標(biāo)注和句子內(nèi)韻律詞突顯度標(biāo)注，其中，句子內(nèi)韻律詞突顯度也就是韻律詞在句子中的重音等級(jí)。在兩個(gè)重音標(biāo)注工作中，按照凸顯度的高低，將重音標(biāo)注任務(wù)都分為3級(jí)，分別用3、2、1表示。標(biāo)注樣例如下句子層級(jí)標(biāo)注向香港I特別行政區(qū)同胞$澳門(mén)I和臺(tái)灣同胞$海外僑胞.2 3 2 22 3 12 2 23韻律詞層級(jí)標(biāo)注香港3 2將這兩個(gè)標(biāo)注結(jié)果采用公式(1)的方式進(jìn)行加權(quán)綜合，得到句中每個(gè)音節(jié)的重音等級(jí)。
權(quán)利要求
1.一種對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于，該方法采用層次化重音描述體系對(duì)普通話(huà)重音進(jìn)行描述，包括選擇合適的重音描述體系，創(chuàng)建層級(jí)標(biāo)注的重音語(yǔ)料庫(kù)；訓(xùn)練生成韻律詞重音預(yù)測(cè)模型；訓(xùn)練生成句重音預(yù)測(cè)模型；以及根據(jù)韻律詞重音模型與句重音預(yù)測(cè)模型結(jié)果綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)果。
2.根據(jù)權(quán)利要求1所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述采用層次化重音描述體系對(duì)普通話(huà)重音進(jìn)行描述，是采用句重音與韻律詞重音對(duì)普通話(huà)重音進(jìn)行描述，以重音凸顯范圍將普通話(huà)重音分為句重音與韻律詞重音兩個(gè)層級(jí)，對(duì)于句重音層級(jí)采用重音音節(jié)的建模分析，而對(duì)于韻律詞重音層級(jí)采用輕音音節(jié)的建模分析。
3.根據(jù)權(quán)利要求2所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述句重音用于表明在句子層面凸顯的韻律詞，所述韻律詞重音用于表明韻律詞內(nèi)部音節(jié)之間的凸顯對(duì)比。
4.根據(jù)權(quán)利要求1所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述選擇合適的重音描述體系，是以重音凸顯范圍將普通話(huà)重音分為句重音與韻律詞重音兩個(gè)層級(jí)，然后針對(duì)不同的層級(jí)，選擇不同的重音標(biāo)注單元。
5.根據(jù)權(quán)利要求4所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述重音標(biāo)注單元分為兩類(lèi)在韻律詞重音中，重音標(biāo)注單元為單個(gè)韻律詞；在句重音標(biāo)注中，標(biāo)注單元為句子。
6.根據(jù)權(quán)利要求5所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述創(chuàng)建層級(jí)標(biāo)注的重音語(yǔ)料庫(kù)，是在錄音室錄制語(yǔ)音數(shù)據(jù)，并進(jìn)行音節(jié)切分，韻律邊界標(biāo)注，最后按照標(biāo)注單元的重音凸顯程度高低分別標(biāo)注為3、2、1三個(gè)等級(jí)。
7.根據(jù)權(quán)利要求1所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述訓(xùn)練生成韻律詞重音預(yù)測(cè)模型，是訓(xùn)練一個(gè)能夠預(yù)測(cè)當(dāng)前音節(jié)在其所在的韻律詞范圍內(nèi)是輕音的概率的模型，訓(xùn)練的具體過(guò)程為采用一文本特征參數(shù)提取模塊，得到與韻律詞重音特征相關(guān)的文本特征參數(shù)Fl作為模型訓(xùn)練輸入，利用最大熵模型，得到有關(guān)韻律詞內(nèi)部輕音節(jié)與非輕音節(jié)的文本特征差異，進(jìn)而通過(guò)模型訓(xùn)練得到音節(jié)是輕音的概率，建立韻律詞重音預(yù)測(cè)模型。
8.根據(jù)權(quán)利要求7所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述韻律詞重音預(yù)測(cè)模型具有一用于輸出韻律詞重音預(yù)測(cè)結(jié)果的輸出端。
9.根據(jù)權(quán)利要求1所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述訓(xùn)練生成句重音預(yù)測(cè)模型，是訓(xùn)練一個(gè)能夠預(yù)測(cè)當(dāng)前音節(jié)在句子范圍內(nèi)是重音的概率的模型，訓(xùn)練的具體過(guò)程為采用一文本特征參數(shù)提取模塊，得到與句子級(jí)別重音預(yù)測(cè)相關(guān)的文本特征參數(shù)F2作為模型輸入，利用最大熵模型，訓(xùn)練有關(guān)句子層級(jí)重音節(jié)與非重音節(jié)的文本特征差異，進(jìn)而通過(guò)模型訓(xùn)練得到音節(jié)是重音的概率，建立句重音預(yù)測(cè)模型。
10.根據(jù)權(quán)利要求1所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述句重音預(yù)測(cè)模型具有一輸出句重音預(yù)測(cè)結(jié)果的輸出端。
11.根據(jù)權(quán)利要求1所述的對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，其特征在于， 所述根據(jù)韻律詞重音模型與句重音預(yù)測(cè)模型結(jié)果綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)果，是將韻律詞重音預(yù)測(cè)結(jié)果和句重音預(yù)測(cè)結(jié)果采用公式=進(jìn)行加權(quán)綜合，然后輸出綜合后的層級(jí)重音標(biāo)注信息；其中，分別是音節(jié)在當(dāng)前韻律詞和句子中的重音凸顯度，/5CC"是韻律詞在當(dāng)前句子中的重音凸顯度。
全文摘要
本發(fā)明公開(kāi)了一種對(duì)普通話(huà)重音進(jìn)行層次化建模和預(yù)測(cè)的方法，該方法采用層次化重音描述體系對(duì)普通話(huà)重音進(jìn)行描述，包括選擇合適的重音描述體系，創(chuàng)建層級(jí)標(biāo)注的重音語(yǔ)料庫(kù)；訓(xùn)練生成韻律詞重音預(yù)測(cè)模型；訓(xùn)練生成句重音預(yù)測(cè)模型；以及根據(jù)韻律詞重音模型與句重音預(yù)測(cè)模型結(jié)果綜合生成每個(gè)音節(jié)的重音標(biāo)注結(jié)果。利用本發(fā)明，提高了重音模型的精細(xì)度，同時(shí)也保證了較高的重音預(yù)測(cè)正確率和召回率，進(jìn)而提高合成語(yǔ)音的自然度和表現(xiàn)力，能夠以更精確的描述語(yǔ)音中用于表現(xiàn)韻律凸顯的重音現(xiàn)象，同時(shí)能夠從任意輸入的文本得到較為細(xì)致的重音等級(jí)標(biāo)注結(jié)果。
文檔編號(hào)G10L13/08GK102254554SQ201110200330
公開(kāi)日2011年11月23日 申請(qǐng)日期2011年7月18日 優(yōu)先權(quán)日2011年7月18日
發(fā)明者李雅, 陶建華 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所