Page 137 - 《应用声学》2024年第1期

第 43 卷 第 1 期 周峻林等： 合成语声的声学分析及识别特征算法 133

息、部分频带特性 5 个方面进行设计和持续改进的。 1.2 声学研究结果
但是由于目前计算机对于人类语声的感知学习能 对合成语声与真实语声的基频、声强、窄带频
力是有限的，现有成果针对合成语声的声学特性表 谱图 3 类声学特性进行比对以及结果分析，其中真
现研究较少，针对合成语声同真实语声在听感上存 实语声包含中性、愤怒、恐惧、开心、悲伤 5 种情感。
在的韵律平淡、自然度欠缺的特点所设计的特征较 这是因为人类往往是在不同情感状态下进行发声
少，且不同特征间的融合探索还可以进一步加强。 的，使用不同的情感语声将能更全面地代表人类语
声的真实发声情况。分别提取 90 条合成语声与 90
1 合成与真实语声的声学差异分析 条真实语声中的基频和声强数据，求取均值和方差

值的总体均值，统计结果如图2、图3所示。
本节通过剖析比对合成语声同真实语声在声
总结合成语声与真实语声在声学特性中的表
学特性上的差异，开展声学分析，从而证实两者差异
现差异如下：
是可通过声学特性进行体现的。
(1) 基频。由图 2(a) 可见：合成语声的基频均
1.1 声学研究过程 值约为 170.75 Hz，而真实语声的基频均值约为

本文通过使用语声学分析软件Praat 对比计算 257.98 Hz；合成语声基频方差值约为44.57，真实语
机合成的语声、人类真实语声的各项声学特性，生 声基频方差值却为 1849.83。对比之下，可见真实语
成相关图表，分析数据上的差异，从而找到可用以区 声基频均值和方差值均大于合成语声，其中方差值
分合成语声和真实语声的依据。其中真实语声来自 要远大于合成语声。这是因为人类真实语声往往会
于TESS数据集 [14] ，合成语声来自于利用Jia等 [15] 受多方面影响而起伏波动，比如在某些激烈的情绪
提出的说话人风格迁移的方法和 SV2TTS 模型在 条件下，声调变化程度也会加剧，使得基频方差要明
真实语声的基础上进行合成。两者在语义信息、说 显大于合成语声。因此，可利用声调的变化程度作
话人声音特点上保持了一致。 为区分合成语声与真实语声的可靠依据之一。
研究具体过程如图 1 所示。首先在语声数据集
1849.827498
中选取出真实语声；随后提取出真实语声的文本信 1849.83
息与说话人声音特点，融入至用于语声合成的神经
1000
网络模型中，得到满足比对条件的合成语声和真实 800 257.9823182
257.98
语声样本；再依次通过不同的软件进行语声标注、数 /Hz 600
170.7470758
170.75
400
据提取、绘制图表，得到声学特性的数据统计结果； 44.570
44.5730412
200
最后经过分析，得到结论。 0

஝૶ᬷ ឦܦᮃጉ (a)
ᤥၹ
ᄾࠄឦܦನవ SV2TTSᎪፏവی 62.92
83.06
ଢԩ
80
ឭភ̡ܦᮃྲག+ឦ˧ηৌ
60 13.30
ܦू/dB 40
͢ᤵឦܦನవ
20 6.61
SPPASᣄ͈ឦܦಖฌ
0

Praatᣄ͈ܦߦྲভଢԩ
(b) ܦू
ፒᝠ஝૶ፋ҄ڏ᛫ 图 2 合成与真实语声的基频、声强均值及方差数据
统计图
Ѭౢࣀपࣳ঴ፇ᜻॥
Fig. 2 The statistical graph of the mean and
图 1 声学研究流程 variance data of the fundamental frequency and
Fig. 1 The process of acoustic research speech intensity of the synthetic and real speech