藏语语音合成关键技术研究

语音合成是实现文本信息到语音转换的技术，是实现智能人机交互的核心技术之一，其应用已深入到语音教育、语音交互软件与终端等人们日常生活和工作的方方面面。藏语语音合成研究起步较晚，制约其发展的关键技术尚未解决。本项目以基于隐马尔可夫模型（HMM）的统计声学建模藏语语音合成技术为研究目标，分别从前端藏文文本分析和后端藏语语音合成两个阶段开展研究，前端研究藏文文本在语言层、语法层、语义层的处理，即藏文文本转换成层次化的语音学表征，后端研究基于输入的层次化语音表征来合成藏语语音。重点解决面向拉萨语合成的韵律标注规则、藏语音素上下文属性及用于决策树聚类的问题集设计、结合藏语发音特点的谱参数和HMM状态数目优化、STRAIGHT声码器等关键技术，最终形成完善的藏语语音合成技术解决方案，从而加快藏语语音合成工程化的步伐，率先占领该领域的至高点，以此驳斥西方敌对势力和达赖分裂集团散布的"藏民族文化毁灭论"。

本项目申报时，藏语语音合成技术的研究处于刚起步阶段，因此亟待解决藏语语音合成技术的关键技术，形成整体解决方案。.在本项目的资助下，项目组成员借鉴成熟的基于HTK的汉语合成技术，主要开展了以下几方面的研究：（1）藏语的音素；（2）藏文的拉丁转写；（3）音段标注和韵律标注（4）藏语的发音规律；（5）藏语的多音词；（6）特殊符号处理；（7）藏文自动分词；（8）藏文词性标注；（9）藏文的L3预测；（10）音素及时间边界的生成（monolab）；（11）音素的韵律信息及其时间边界(fulllab)；（12）韵律文本的生成；（13）问题集的设计。.通过本项目的研究，取得了以下重要结果和关键数据：（1）传统藏文认为藏语有213个声母和77个韵母。但经我们测试，最终确定音素164个，其中声母73个，韵母91个。（2）通过打分算法筛选出了13000句的藏文文本，对进行了专业录音，声音格式为Windows PCM，录音采样率44100KHz，声道为立体声。以ToBI为蓝本，对13000句声音进行了音素层、语调层、音节层、韵律层进行了标注。（3）对藏语的发音规律进行了研究，得出了藏语77个虚词的发音规律，形成 了虚词发音规律表。（4）收集了藏文所有的多音字，共计4637个。（5）藏文辅音字为阳，元音字为阴，在三十个辅音字母中又分为五类：阳、中性、阴、最阴、极阴，对这方面进行了归纳总结；（6）对藏文中物理量、货币等特殊符号的读法做了统一的整理和规定；（7）研发出了基于藏文虚词切分的藏文自动分词模块，分词正确率达到90%以上。（8）建立了藏文词性标注集，并研发了基于三阶的HMM的藏文词性标注系统。（9）通过编写的程序，生成了藏文音素及时间边界信息(monolab)、音素的韵律信息及时间边界信息（fulllab）及生成了韵律文本。（10）设计出了用于决策树聚类的问题集。.在本项目的资助下，项目组突破了影响藏语语音合成的关键技术，不仅形成了面向卫藏方言的藏语语音合成的整体解决方案，而且为连续藏语语音识别奠定了夯实的理论基础，研发出的面向卫藏方言的藏语语音合成系统，经专家的评测，系统综合得分为3.8分以上。系统已应用于本项目负责人所在单位研发的语音汉藏机器翻译、藏汉多媒体交互式教学系统上，在西藏自治区成立五十周年期间，两个系统均向以俞正声为团长的中央代表团进行了展示，获得极高评价。