| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 语音合成 | 第11-13页 |
| 1.2.2 可视语音合成 | 第13-14页 |
| 1.3 本文主要工作及创新点 | 第14页 |
| 1.4 本文的组织结构 | 第14-17页 |
| 2 基于HMM的语音合成与可视语音合成 | 第17-33页 |
| 2.1 隐马尔科夫模型 | 第17-23页 |
| 2.1.1 HMM的引入 | 第17-18页 |
| 2.1.2 HMM的定义 | 第18-19页 |
| 2.1.3 HMM的基本问题 | 第19-23页 |
| 2.1.3.1 前向-后向算法 | 第19-21页 |
| 2.1.3.2 维特比算法 | 第21-22页 |
| 2.1.3.3 Baum-Welch算法 | 第22-23页 |
| 2.2 基于HMM的语音合成系统 | 第23-31页 |
| 2.2.1 训练部分 | 第24-28页 |
| 2.2.1.1 HTS语音合成中的HMM | 第24-26页 |
| 2.2.1.2 F0参数建模 | 第26-27页 |
| 2.2.1.3 基于决策树的模型聚类 | 第27-28页 |
| 2.2.2 HTS语音参数产生算法 | 第28-31页 |
| 2.3 基于HMM的可视语音合成系统 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于神经网络的语音合成 | 第33-49页 |
| 3.1 DNN基本原理 | 第33-39页 |
| 3.1.1 DNN的网络结构 | 第33-34页 |
| 3.1.2 前向传播 | 第34-35页 |
| 3.1.3 输出层 | 第35-36页 |
| 3.1.4 误差反向传递 | 第36-39页 |
| 3.2 RNN基本原理 | 第39-42页 |
| 3.2.1 RNN的网络结构 | 第39页 |
| 3.2.2 前向传播 | 第39-40页 |
| 3.2.3 误差反向传递 | 第40页 |
| 3.2.4 双向RNN | 第40-41页 |
| 3.2.5 LSTM | 第41-42页 |
| 3.3 基于DNN的语音合成 | 第42-43页 |
| 3.4 基于RNN的语音合成 | 第43-44页 |
| 3.5 实验 | 第44-47页 |
| 3.5.1 实验设置 | 第44-45页 |
| 3.5.2 客观实验 | 第45-46页 |
| 3.5.3 主观实验 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 4 高质量语音合成框架 | 第49-61页 |
| 4.1 问题的引入 | 第49-50页 |
| 4.2 TD-PSOLA | 第50页 |
| 4.3 波形表示框架 | 第50-53页 |
| 4.3.1 系统流程 | 第51页 |
| 4.3.2 GCI检测 | 第51-53页 |
| 4.4 波形建模 | 第53-55页 |
| 4.5 实验分析 | 第55-59页 |
| 4.5.1 语音波形重构实验 | 第55-57页 |
| 4.5.1.1 客观实验 | 第56-57页 |
| 4.5.1.2 主观实验 | 第57页 |
| 4.5.2 语音波形建模实验 | 第57-59页 |
| 4.6 本章小结 | 第59-61页 |
| 5 基于神经网络的可视语音合成 | 第61-75页 |
| 5.1 背景介绍 | 第61页 |
| 5.2 系统框架 | 第61-62页 |
| 5.3 特征表示 | 第62-65页 |
| 5.3.1 输入特征I | 第62-63页 |
| 5.3.2 输出特征O | 第63-65页 |
| 5.4 基于BLSTM-RNN的可视语音合成 | 第65-67页 |
| 5.5 轨迹指导逼真可视语音合成 | 第67-69页 |
| 5.5.1 代价函数 | 第68-69页 |
| 5.5.2 图像拼接 | 第69页 |
| 5.6 实验分析 | 第69-73页 |
| 5.6.1 实验设置 | 第69-70页 |
| 5.6.2 客观评估 | 第70-71页 |
| 5.6.3 DBLSTM-RNNs vs. HMM | 第71页 |
| 5.6.4 主观评估 | 第71-73页 |
| 5.7 本章小结 | 第73-75页 |
| 6 总结与展望 | 第75-77页 |
| 6.1 本文工作总结 | 第75页 |
| 6.2 本文工作展望 | 第75-77页 |
| 参考文献 | 第77-85页 |
| 致谢 | 第85-87页 |
| 科研成果发表 | 第87-88页 |