| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第18-24页 |
| 1.1 语音合成技术概述 | 第18-19页 |
| 1.2 语音的产生过程 | 第19-20页 |
| 1.2.1 语音的产生机理 | 第19页 |
| 1.2.2 语音产生的数学建模 | 第19-20页 |
| 1.3 语音合成方法回顾 | 第20-23页 |
| 1.3.1 机械式语音合成器 | 第20页 |
| 1.3.2 电子式语音合成器 | 第20-21页 |
| 1.3.3 共振峰参数合成器 | 第21-22页 |
| 1.3.4 基于波形拼接的语音合成 | 第22页 |
| 1.3.5 基于统计建模的参数语音合成 | 第22-23页 |
| 1.4 本论文的研究目标和内容概述 | 第23-24页 |
| 第二章 基于隐马尔可夫模型的统计参数语音合成 | 第24-42页 |
| 2.1 HMM简介 | 第24-27页 |
| 2.1.1 马尔可夫链 | 第24-25页 |
| 2.1.2 隐马尔可夫模型(HMM) | 第25-26页 |
| 2.1.3 HMM在语音建模中的应用 | 第26-27页 |
| 2.2 基于HMM的统计参数语音合成 | 第27-30页 |
| 2.2.1 模型训练阶段 | 第27-30页 |
| 2.2.2 合成阶段 | 第30页 |
| 2.3 关键技术 | 第30-34页 |
| 2.3.1 基于STRAIGHT声码器的语音分析及合成 | 第30-31页 |
| 2.3.2 基于决策树的模型聚类 | 第31页 |
| 2.3.3 基于多空间概率分布HMM的基频建模 | 第31-33页 |
| 2.3.4 结合动态特征绑定的参数生成算法 | 第33-34页 |
| 2.4 基于HMM的统计参数语音合成方法的特点 | 第34-39页 |
| 2.4.1 优势 | 第34-35页 |
| 2.4.2 不足 | 第35页 |
| 2.4.3 基于HMM的统计参数语音合成框架下的改进方法 | 第35-36页 |
| 2.4.4 结合神经网络的统计参数语音合成 | 第36-39页 |
| 2.5 本文研究的出发点 | 第39-40页 |
| 2.6 本章小结 | 第40-42页 |
| 第三章 结合神经自回归分布估计模型的频谱特征状态建模方法 | 第42-62页 |
| 3.1 受限波尔兹曼机 | 第42-47页 |
| 3.1.1 模型结构 | 第43-45页 |
| 3.1.2 模型训练 | 第45-46页 |
| 3.1.3 模型评估 | 第46页 |
| 3.1.4 RBM的众数 | 第46-47页 |
| 3.2 深度置信网络 | 第47-50页 |
| 3.2.1 模型结构 | 第47-48页 |
| 3.2.2 模型训练 | 第48-49页 |
| 3.2.3 DBN的众数 | 第49-50页 |
| 3.3 受限玻尔兹曼机和深度置信网络对频谱特征的状态建模 | 第50-51页 |
| 3.4 神经自回归分布估计模型对频谱特征的状态建模 | 第51-60页 |
| 3.4.1 伯努利-伯努利NADE | 第51-53页 |
| 3.4.2 高斯-伯努利NADE | 第53-55页 |
| 3.4.3 结合NADE模型的频谱特征状态建模方法 | 第55-56页 |
| 3.4.4 实验结果及分析 | 第56-60页 |
| 3.5 本章小结 | 第60-62页 |
| 第四章 基于深度条件受限玻尔兹曼机的频谱特征全局建模方法 | 第62-78页 |
| 4.1 深度神经网络 | 第62-65页 |
| 4.1.1 模型发展历程 | 第62-63页 |
| 4.1.2 模型结构 | 第63-64页 |
| 4.1.3 模型训练 | 第64-65页 |
| 4.2 基于DNN的统计参数语音合成方法 | 第65-66页 |
| 4.3 现有的基于DNN统计参数语音合成改进方法 | 第66-70页 |
| 4.3.1 针对模型准则的改进 | 第67-68页 |
| 4.3.2 针对模型结构的改进 | 第68-70页 |
| 4.4 深度条件受限玻尔兹曼机对频谱特征的全局建模 | 第70-76页 |
| 4.4.1 条件受限玻尔兹曼机 | 第70-71页 |
| 4.4.2 深度条件受限玻尔兹曼机 | 第71-73页 |
| 4.4.3 结合DCRBM模型的频谱特征全局建模方法 | 第73页 |
| 4.4.4 实验结果及分析 | 第73-76页 |
| 4.5 本章小结 | 第76-78页 |
| 第五章 基于DNN的基频特征层次化建模方法 | 第78-110页 |
| 5.1 问题的提出 | 第78-79页 |
| 5.2 现有的基频建模方法 | 第79-85页 |
| 5.2.1 考虑基频分层性和可加性的改进方法 | 第79-83页 |
| 5.2.2 考虑基频长时性效应的改进方法 | 第83-85页 |
| 5.2.3 结合神经网络的基频建模改进方法 | 第85页 |
| 5.3 DNN和决策树对基频特征两韵律层加性建模 | 第85-89页 |
| 5.3.1 方法框架 | 第85-87页 |
| 5.3.2 语调短语基频成分参数化 | 第87-88页 |
| 5.3.3 语调短语基频的DCT建模 | 第88-89页 |
| 5.4 DNN对基频特征多韵律层层次化建模 | 第89-96页 |
| 5.4.1 基本思想 | 第89-91页 |
| 5.4.2 基于DCT的基频矢量提取与包络恢复 | 第91-92页 |
| 5.4.3 层叠式DNN基频建模 | 第92-93页 |
| 5.4.4 并行式DNN基频建模 | 第93-96页 |
| 5.5 实验 | 第96-107页 |
| 5.5.1 实验条件 | 第96页 |
| 5.5.2 基线系统 | 第96-97页 |
| 5.5.3 两韵律层加性基频模型 | 第97-101页 |
| 5.5.4 多韵律层层次化基频模型 | 第101-107页 |
| 5.6 本章小结 | 第107-110页 |
| 第六章 基于递归序列生成器的语音合成声学建模方法 | 第110-124页 |
| 6.1 问题的提出 | 第110-111页 |
| 6.2 递归神经网络 | 第111-117页 |
| 6.2.1 基本结构 | 第111-112页 |
| 6.2.2 训练问题 | 第112-113页 |
| 6.2.3 改进的模型结构 | 第113-117页 |
| 6.3 基于注意力的递归序列生成器 | 第117-120页 |
| 6.3.1 模型基本结构 | 第117-119页 |
| 6.3.2 ARSG的改进 | 第119-120页 |
| 6.4 实验 | 第120-123页 |
| 6.4.1 实验条件 | 第120页 |
| 6.4.2 实验结果 | 第120-123页 |
| 6.5 本章小结 | 第123-124页 |
| 第七章 总结 | 第124-128页 |
| 7.1 本文的主要贡献与创新点 | 第124-125页 |
| 7.2 后续的研究工作 | 第125-128页 |
| 参考文献 | 第128-136页 |
| 致谢 | 第136-138页 |
| 在读期间发表的学术论文与取得的研究成果 | 第138-139页 |
