摘要

尽管基于深度神经网络的语音合成系统在英语语境下已得到充分评估并广泛免费开放使用，但对于德语等使用人数较少的语言，相关模型的训练仍十分有限，且绝大多数未公开发布供普遍使用。本文针对德语文本到语音（TTS）模型训练中的特定挑战展开研究，包括数据集选择与数据预处理，并基于Tacotron 2与多频带MelGAN（Multi-Band MelGAN）相结合的端到端语音合成架构，介绍了多个模型的训练过程。所有模型组合均通过平均意见得分（Mean Opinion Score, MOS）进行评估，结果表明其性能可与文献中在英语数据集上训练和评估的模型相媲美。此外，通过实证分析，本文识别出若干显著影响系统语音质量的因素，这些因素基于主观用户体验得出。所有训练完成的模型均已公开发布，供公众自由使用。