摘要

基于神经网络的序列到序列文本转语音（TTS）技术在输出质量上已显著优于传统基于隐马尔可夫模型（HMM）的统计语音合成方法。然而，神经TTS通常不具备概率建模能力，且采用非单调注意力机制，这会导致注意力机制失效，从而增加训练时间，并可能使语音合成结果出现语义不连贯的问题。本文提出一种融合传统与现代范式的方法，通过用由神经网络定义的自回归左右结构、无跳过（no-skip）隐马尔可夫模型（HMM）替代神经TTS中的注意力机制，从而兼顾两者的优势。基于这一思想，我们对Tacotron 2模型进行了改进，构建了一种基于HMM的神经TTS模型，该模型具备单调对齐特性，并在训练过程中直接最大化完整语音序列的联合似然，无需近似处理。此外，本文还系统阐述了如何融合经典与现代TTS技术的核心思想，以实现最优合成效果。实验结果表明，所提出的系统相较于Tacotron 2更加轻量且结构更简单，在更少的训练迭代次数和更少的数据量下即可学会自然发音，且在后处理网络（post-net）之前即可达到相当的自然度水平。同时，该方法还支持对语音语速的便捷控制。