| 摘要 | 第4-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-23页 |
| 1.1 研究的背景与意义 | 第14-18页 |
| 1.1.1 智能家居的概念和特点 | 第14-16页 |
| 1.1.2 智能家居中的个性化语音 | 第16-17页 |
| 1.1.3 个性化语音生成的意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-19页 |
| 1.3 本文的研究内容 | 第19-20页 |
| 1.4 本文的创新点 | 第20-21页 |
| 1.5 本文组织结构 | 第21-23页 |
| 第2章 个性化语音生成技术 | 第23-31页 |
| 2.1 传统的语音生成方法 | 第23-25页 |
| 2.1.1 波形拼接合成方法 | 第23-24页 |
| 2.1.2 基于隐马尔可夫模型的合成方法 | 第24-25页 |
| 2.2 个性化语音的特征 | 第25-26页 |
| 2.3 个性化语音生成技术的分析 | 第26-27页 |
| 2.4 智能家居环境中语音训练数据的处理方法 | 第27-30页 |
| 2.5 小结 | 第30-31页 |
| 第3章 个性化语音合成中混合激励模型的改进 | 第31-46页 |
| 3.1 引言 | 第31-32页 |
| 3.2 混合激励模型在隐马尔可夫模型的应用 | 第32-37页 |
| 3.3 混合激励模型的改进 | 第37-42页 |
| 3.3.1 混合激励模型 | 第37-38页 |
| 3.3.2 混合激励参数的估计 | 第38-42页 |
| 3.3.3 混合激励模型的训练 | 第42页 |
| 3.4 实验论证与结果分析 | 第42-45页 |
| 3.4.1 实验设置 | 第42-43页 |
| 3.4.2 实验结果与分析 | 第43-45页 |
| 3.5 小结 | 第45-46页 |
| 第4章 基于频率弯折的说话人自适应方法 | 第46-67页 |
| 4.1 引言 | 第46-48页 |
| 4.2 传统的基于隐马尔可夫模型的说话人自适应方法 | 第48-53页 |
| 4.3 针对说话人自适应的频率弯折方法 | 第53-58页 |
| 4.3.1 通过频谱频率弯折进行声道长度归一化 | 第53-55页 |
| 4.3.2 基于时变双线性函数的频率弯折新算法 | 第55-58页 |
| 4.3.3 频率弯折后说话人自适应参数估计 | 第58页 |
| 4.4 实验论证与结果分析 | 第58-66页 |
| 4.4.1 实验设置 | 第58-59页 |
| 4.4.2 弯折函数评估 | 第59-61页 |
| 4.4.3 基于最大似然线性回归方法进行进一步自适应的评估 | 第61-65页 |
| 4.4.4 实验结果讨论 | 第65-66页 |
| 4.5 小结 | 第66-67页 |
| 第5章 基于神经网络的跨方言说话人转换 | 第67-89页 |
| 5.1 引言 | 第67-69页 |
| 5.2 经典的说话人转换技术介绍及分析 | 第69-73页 |
| 5.2.1 经典说话人转换技术的介绍 | 第69-72页 |
| 5.2.2 经典说话人转换技术的分析 | 第72-73页 |
| 5.3 基于神经网络的跨方言说话人转换 | 第73-82页 |
| 5.3.1 跨方言说话人转换方法 | 第74-77页 |
| 5.3.2 预训练在说话人转换训练过程中的应用 | 第77-79页 |
| 5.3.3 基于语音序列感知的神经网络建模 | 第79-82页 |
| 5.4 实验论证与结果分析 | 第82-87页 |
| 5.4.1 实验设置 | 第82-83页 |
| 5.4.2 客观评测与结果 | 第83-86页 |
| 5.4.3 主观评测与结果 | 第86-87页 |
| 5.5 小结 | 第87-89页 |
| 第6章 总结与展望 | 第89-92页 |
| 6.1 总结 | 第89-90页 |
| 6.2 展望 | 第90-92页 |
| 参考文献 | 第92-100页 |
| 附录 攻读博士学位期间的研究成果目录 | 第100-102页 |
| 致谢 | 第102页 |