psola演算法

A. 語音合成器是什麼

語音合成是將人類語音用人工的方式所產生。若是將電腦系統用在語音合成上，則稱為語音合成器，而語音合成器可以用軟/硬體所實現。文字轉語音(text-to-speech, TTS)系統則是將一般語言的文字轉換為語音，其他的系統可以描繪語言符號的表示方式，就像音標轉換至語音一樣。

而合成後的語音則是利用在資料庫內的許多已錄好的語音連接起來。系統則因為儲存的語音單元大小不同而有所差異，若是要儲存phone以及 diphone的話，系統必須提供大量的儲存空間，但是在語意上或許會不清楚。而用在特定的使用領域上，儲存整字或整句的方式可以達到高品質的語音輸出。另外，包含了聲道模型以及其他的人類聲音特徵參數的合成器則可以創造出完整的合成聲音輸出。

一個語音合成器的品質通常是決定於人聲的相似度以及語意是否能被了解。一個清晰的文字轉語音程式應該提供人類在視覺受到傷害或是得到失讀症時，能夠聽到並且在個人電腦上完成工作。從80年代早期開始，許多的電腦操作系統已經包含了語音合成器了。
早在17世紀就有法國人研發機械式的說話裝置。[來源請求]直到19世紀，貝爾實驗室對於電子語音合成技術的研究，才開啟近代語音合成技術的發展。貝爾實驗室在1939年製作出第一個電子語音合成器VODER[1]，是一種利用共振峰原理所製作的合成器。

1960年，瑞典語言學家G. Fant則提出利用線性預測編碼技術(LPC)來作為語音合成分析技術，並推動了日後的發展。後來1980年代Moulines E和Charpentier F提出新的語音合成演算法PSOLA，此技術可以合成比較自然的語音。

B. TTS是什麼意思呢

TTS是指一項語音合成技術。

語音合成是將人類語音用人工的方式所產生。若是將電腦系統用在語音合成上，則稱為語音合成器，而語音合成器可以用軟/硬體所實現。

文字轉語音系統則是將一般語言的文字轉換為語音，其他的系統可以描繪語言符號的表示方式，就像音標轉換至語音一樣。

(2)psola演算法擴展閱讀：

發展歷史

1、17世紀法國人研發機械式的說話裝置，直到19世紀，貝爾實驗室對於電子語音合成技術的研究，才開啟近代語音合成技術的發展。

2、貝爾實驗室在1939年製作出第一個電子語音合成器VODER，是一種利用共振峰原理所製作的合成器。

3、1960年，瑞典語言學家G. Fant則提出利用線性預測編碼技術（LPC）來作為語音合成分析技術，並推動了日後的發展。

4、1980年代Moulines E和Charpentier F提出新的語音合成演算法PSOLA，此技術可以合成比較自然的語音。

C. 語音合成的合成技術

波形拼接技術的發展與語音的編、解碼技術的發展密不可分，其中LPC技術（線性預測編碼技術）的發展對波形拼接技術產生了巨大的影響。LPC合成技術本質上是一種時間波形的編碼技術，目的是為了降低時間域信號的傳輸速率。
LPC合成技術的優點是簡單直觀。其合成過程實質上只是一種簡單的解碼和拼接過程。另外，由於波形拼接技術的合成基元是語音的波形數據，保存了語音的全部信息，因而對於單個合成基元來說能夠獲得很高的自然度。
但是，由於自然語流中的語音和孤立狀況下的語音有著極大的區別，如果只是簡單地把各個孤立的語音生硬地拼接在一起，其整個語流的質量勢必是不太理想的。而LPC技術從本質上來說只是一種錄音+重放，對於合成整個連續語流LPC合成技術的效果是不理想的。因此，LPC合成技術必須和其他技術相結合，才能明顯改善LPC合成的質量。 20世紀80年代末提出的PSOLA合成技術（基音同步疊加技術）給波形拼接合成技術注入了新的活力。PSOLA技術著眼於對語音信號超時段特徵的控制，如基頻、時長、音強等的控制。而這些參數對於語音的韻律控制以及修改是至關重要的，因此，PSOLA技術比LPC技術具有可修改性更強的優點，可以合成出高自然度的語音。
PSOLA技術的主要特點是：在拼接語音波形片斷之前，首先根據上下文的要求，用PSOLA演算法對拼接單元的韻律特徵進行調整，使合成波形既保持了原始發音的主要音段特徵，又能使拼接單元的韻律特徵符合上下文的要求，從而獲得很高的清晰度和自然度。
PSOLA技術保持了傳統波形拼接技術的優點，簡單直觀，運算量小，而且還能方便地控制語音信號的韻律參數，具有合成自然連續語流的條件，得到了廣泛的應用。
但是，PSOLA技術也有其缺點。首先，PSOLA技術是一種基音同步的語音分析/合成技術，首先需要准確的基因周期以及對其起始點的判定。基音周期或其起始點的判定誤差將會影響PSOLA技術的效果。其次，PSOLA技術是一種簡單的波形映射拼接合成，這種拼接是否能夠保持平穩過渡以及它對頻域參數有什麼影響等並沒有得到解決，因此，在合成時會產生不理想的結果。 隨著人們對語音合成的自然度和音質的要求越來越高，PSOLA演算法表現出對韻律參數調整能力較弱和難以處理協同發音的缺陷，因此，人們又提出了一種基於LMA聲道模型的語音合成方法。這種方法具有傳統的參數合成可以靈活調節韻律參數的優點，同時又具有比PSOLA演算法更高的合成音質。
這兩種技術各有所長，共振峰技術比較成熟，有大量的研究成果可以利用，而PSOLA技術則是比較新的技術，具有良好的發展前景。過去這兩種技術基本上是互相獨立發展的，

D. 多媒體技術應用的主要內容

1、數據壓縮，圖像處理的應用

多媒體計算機技術是面向三維圖形、環繞立體聲和彩色全屏幕運動畫面的處理技術。數據壓縮技術為圖像、視頻和音頻信號的壓縮，文件存儲和分布式利用，提高通信干線的傳輸效率等應用提供了一個行之有效的方法，同時使計算機實時處理音頻、視頻信息，以保證播放出高質量的視頻、音頻節目成為可能。

2、音頻信息處理的應用

在多媒體技術中，存儲聲音信息的文件格式主要有：WAV文件、VOC文件、MIDI文件、AIF文件、SON文件及RMI文件等。

3、音頻信息錄制編輯

把音樂和語音加到多媒體應用中，是我們研究音頻處理技術的目的，下面是我們常用的音頻信息錄制編輯軟體。

WaveEdit工具的REC命令；Sound Blaster卡的VEdit2軟體；Microsoft SoundSystem卡的Quick Recorder軟體；Cooledit軟體；Wave Edit工具；Creative WaveStudio。

4、語音識別

語音的識別長久以來一直是人們的美好夢想，讓計算機聽懂人說話是發展人機語音通信和新一代智能計算機的主要目標。

隨著計算機的普及、越來越多的人在使用計算機，如何給不熟悉計算機的人提供一個友好的人機交互手段，是人們感興趣的問題，而語音識別技術就是其中最自然的一種交流手段。

5、資料庫和基於內容檢索的應用

多媒體信息檢索技術的應用使多媒體信息檢索系統、多媒體資料庫，可視信息系統、多媒體信息自動獲取和索引系統等應用逐漸變為現實。

基於內容的圖像檢索、文本檢索系統己成為近年來多媒體信息檢索領域中最為活躍的研究課題，基於內容的圖像檢索是根據其可視特徵，從圖像庫中檢索出與查詢描述的圖像內容相似的圖像，利用圖像可視特徵索引，可以大大提高圖像系統的檢索能力。

E. 如何用fdpsola演算法做語音合成

(a)原公式中m是0到N-1-k，當k=0時求和是從0到N-1，共有N個數據點。
(b)當m必須從1開始，k也必須從1開始，還是當(a)中的k=0時，現在變為k=1。如果按LZ所述m是1到N-k求和，則在k=1時是對m從1至N-1間求和，只有N-1個數據點。所以必須是N-k+1，才變成對N點求和。

F. 李晶的發表論文

Li Jing. The Data Warehouse Technology of DSS of Three Gorge Safe Monitor and Control System. The fifth International Conference on Distributed Computing and Applications for business, engineering and sciences （ DCABES2006 ）.2006,Hangzhou,China.(ISTP) ．三峽安全檢測信息系統的知識庫設計，計算機工程，2001 ．Sybase 資料庫資料庫系統並發控制的應用。武漢大學學報（工學版），1999 ．數據轉移在PowerBuilder中的應用。計算機工程，1999。 .Li Jing , Song Zhao, Li Lingling, Li Juan, Tang Xiaoyue, Wan Juan. An Algorithm of Optimizing Subband Filter Banks Based on ACA, Proceedings of the 26th Chinese Control Conference July 26-31, 2007, Zhangjiajie, Hunan, China(EI,ISTP) .Li Jing, Li Lingling, Wan Juan, Xu Genhua ,Chen Fang. The Modeling Method for Non-intrusive Objective Speech Quality Measurement Based on Cloud Theory,Proceedings of the 26th Chinese Control Conference July 26-31, 2007, Zhangjiajie, Hunan, China (EI,ISTP) .Li Jing,Li Juan,Wan Juan,A novel Algorithm of VAD Based on AFSA and SVM,second International Symposium on Intelligence Computation and Applications,ISICA 2007(ISTP) .王銳,李晶.基於關聯規則的Aprior演算法的可視化實現方法 li Jing,Wan Juan,Li Lingling.A Novel Algorithm of Co-articulation Emotional Chinese Speech Synthesis Based on TD-PSOLA,DCABES 2008 Proceedings .Li Jing,Wan Juan,A Novel Audio Classification Algorithm Based on GA and SVM with Combined Kernel Function,DCABES 2009 Proceedings,2009 1．電力系統通信工程，武漢水利電力大學出版社，2000。（參編） 2．計算機導論，武漢大學出版社，2004。（參編） 3．新一代多媒體技術與應用，武漢大學出版社，2006。（主編）

G. 簡述多媒體技術的主要應用。

多媒體技術通常的計算機應用系統可以處理文字、數據和圖形等信息，而多媒體計算機除了處理以上的信息種類以外，還可以綜合處理圖像、聲音、動畫、視頻等信息，開創了計算機應用的新紀元。

多媒體技術應用的意義在於：

1、使計算機可以處理人類生活中最直接、最普遍的信息，從而使得計算機應用領域及功能得到了極大的擴展。

2、使計算機系統的人機交互界面和手段更加友好和方便，非專業人員可以方便地使用和操作計算機。

3、多媒體技術使音像技術、計算機技術和通信技術三大信息處理技術緊密地結合起來，為信息處理技術發展奠定了新的基石。

多媒體技術發展已經有多年的歷史了，到目前為止聲音、視頻、圖像壓縮方面的基礎技術已逐步成熟，並形成了產品進入市場，熱門的技術如模式識別、MPEG壓縮技術、虛擬現實技術逐步走向成熟，相信不久也會進入市場。

(7)psola演算法擴展閱讀：

多媒體技術的特點：

1、能夠完成在內容上相關聯的多媒體信息的處理和傳送，如聲音、活動圖像、文本、圖形、動畫等；

2、互動式工作，而不是簡單的單向或雙向傳輸；

3、網路聯結，即各種媒體信息是通過網路傳輸的，而不是藉助CD-ROM等存儲載體來傳遞的。

H. 語音信號處理的作品目錄

第1章 緒論
第2章 語音信號處理基礎知識
2.1 語音和語言
2.2 漢語語音學
2.2.1 漢語語音的特點
2.2.2 漢語的拼音方法
2.2.3 漢語音節的一般結構
2.2.4 漢語聲母的結構
2.2.5 漢語韻母的結構
2.2.6 聲母和韻母的相互作用—音征互載
2.2.7 漢語的聲調
2.3 語音生成系統和語音感知系統
2.3.1 語音發音系統
2.3.2 語音聽覺系統
2.4 語音信號生成的數學模型
2.4.1 激勵模型
2.4.2 聲道模型
2.4.3 輻射模型
2.4.4 語音信號的數學模型
2.5 語音信號的特性分析
2.5.1 語音信號的時域波形和頻譜特性
2.5.2 語音信號的語譜圖
2.5.3 語音信號的統計特性
2.6 思考與復習題
第3章 語音信號分析
3.1 概述
3.2 語音信號的數字化和預處理
3.2.1 預濾波、采樣、A/D轉換
3.2.2 預處理
3.3 語音信號的時域分析
3.3.1 短時能量及短時平均幅度分析
3.3.2 短時過零率分析
3.3.3 短時相關分析
3.3.4 短時平均幅度差函數
3.4 語音信號的頻域分析
3.4.1 利用短時傅里葉變換求語音的短時譜
3.4.2 語音的短時譜的臨界帶特徵矢量
3.5 語音信號的倒譜分析
3.5.1 同態信號處理的基本原理
3.5.2 復倒譜和倒譜
3.5.3 語音信號倒譜分析實例
3.6 語音信號的線性預測分析
3.6.1 線性預測分析的基本原理
3.6.2 線性預測方程組的求解
3.6.3 LPC譜估計和LPC復倒譜
3.6.4 線譜對分析
3.7 語音信號的小波分析
3.7.1 傅里葉變換
3.7.2 短時傅里葉變換
3.7.3 連續小波變換
3.7.4 離散小波變換
3.7.5 小波變換的幾個實例
3.8 基音周期估計
3.8.1 自相關法
3.8.2 平均幅度差函數法
3.8.3 並行處理法
3.8.4 倒譜法
3.8.5 簡化逆濾波法
3.8.6 小波變換法
3.8.7 基音檢測的後處理
3.9 共振峰估計
3.9.1 帶通濾波器組法
3.9.2 倒譜法
3.9.3 LPC法
3.10 思考與復習題
第4章 矢量量化技術
4.1 概述
4.2 矢量量化的基本原理
4.3 矢量量化的失真測度
4.3.1 歐氏距離測度
4.3.2 線性預測失真測度
4.3.3 識別失真測度
4.4 矢量量化器的最佳碼本設計
4.4.1 LBG演算法
4.4.2 初始碼本的生成
4.5 矢量量化技術的優化設計
4.6 思考與復習題
第5章 隱馬爾可夫模型
5.1 隱馬爾可夫模型的引入
5.2 隱馬爾可夫模型的定義
5.2.1 離散Markov過
5.2.2 隱Markov模型
5.2.3 HMM的基本元素
5.3 隱馬爾可夫模型的基本演算法
5.3.1 前向-後向演算法
5.3.2 維特比演算法
5.3.3 Baum-Welch演算法
5.4 隱馬爾可夫模型的各種結構類型
5.4.1 按照HMM的狀態轉移概率矩陣(A參數)分類
5.4.2 按照HMM的輸出概率分布(B參數)分類
5.4.3 其他一些特殊的：HMM的形式
5.5 隱馬爾可夫模型的一些實際問題
5.5.1 下溢問題
5.5.2 參數的初始化問題
5.5.3 提高HMM描述語音動態特性的能力
5.5.4 直接利用狀態持續時間分布概率的HMM系統
5.6 思考與復習題
第6章 人工神經網路初步
6.1 人工神經網路簡介
6.2 人工神經網路的構成
6.2.1 神經元
6.2.2 神經元的學習演算法
6.2.3 網路拓撲
6.2.4 網路的學習演算法
6.3 幾種用於模式識別的神經網路模型及其主要演算法
6.3.1 單層感知器
6.3.2雙層感知器
6.3.3 多層感知器
6.3.4 徑向基函數神經網路的分類特性
6.3.5 自組織特徵映射模型
6.3.6 時延神經網路
6.3.7 循環神經網路
6.3.8 支持向量機
6.4 用神經網路進行模式識別的典型做法
6.4.1 多輸出型
6.4.2 單輸出型
6.5 思考與復習題
第7章 語音編碼
7.1 概述
7.2 語音信號壓縮編碼的原理和壓縮系統評價
7.2.1 語音壓縮的基本原理
7.2.2 語音編碼的關鍵技術
7.2.3 語音壓縮系統的性能指標和評測方法
7.3 語音信號的波形編碼
7.3.1 脈沖編碼調制
7.3.2 自適應預測編碼
7.3.3 自適應增量調制和自適應差分脈沖編碼調制
7.3.4 子帶編碼
7.3.5 自適應變換編碼
7.4 語音信號的參數編碼
7.4.1 線性預測聲碼器
7.4.21P-10編碼器
7.5 語音信號的混合編碼
7.6 現代通信中的語音信號編碼方法
7.6.1 EVRC演算法基本原理
7.6.2 EVRC演算法概述
7.7 思考與復習題
第8章 語音合成
8.1 概述
8.2 共振峰合成法
8.3 線性預測合成法
8.4 語音合成專用硬體簡介
8.5 PSOLA演算法合成語音
8.6 文語轉換系統
8.7 思考與復習題
第9章 語音識別
9.1 概述
9.2 語音識別原理和識別系統的組成
9.2.1 預處理和參數分析
9.2.2 語音識別
9.2.3 語音識別系統的基本資料庫
9.3 動態時間規整
9.4 孤立字(詞)識別系統
9.4.1 基於MQDF的漢語塞音語音識別系統
9.4.2 基於概率尺度DP識別方法的孤立字(詞)識別系統
9.5 連續語音識別系統
9.6 連續語音識別系統的性能評測
9.6.1 連續語音識別系統的評測方法以及系統復雜性和識別能力的測度
9.6.2 綜合評估連續語音識別系統時需要考慮的其他因素
9.7 思考與復習題
第10章 說話人識別與語種辨識
10.1 概述
10.2 說話人識別方法和系統結構
10.2.1 預處理
10.2.2 說話人識別特徵的選取
10.2.3 特徵參量評價方法
10.2.4模式匹配方法
10.2.5 說話人識別中判別方法和閾值的選擇
10.2.6 說話人識別系統的評價
10.3 應用DTW的說話人確認系統
10.4 應用VQ的說話人識別系統
10.5 應用HMM的說話人識別系統
10.5.1 基於HMM的與文本有關的說話人識別
10.5.2 基於HMM的與文本無關的說話人識別
10.5.3 基於HMM的指定文本型說話人識別
10.5.4 說話人識別HMM的學習方法
10.5.5 魯棒的HMM說話人識別技術
10.6 應用GMM的說話人識別系統
10.6.1 GMM模型的基本概念
10.6.2 GMM模型的參數估計
10.6.3 訓練數據不充分的問題
10.6.4 GMM模型的識別問題
10.7 說話人識別中尚需進一步探索的研究課題
10.8 語種辨識的原理和應用
10.8.1 語種辨識的基本原理和方法
10.8.2 語種辨識的應用領域
10.9 思考與復習題
第11章 語音轉換與語音隱藏
11.1 語音轉換的原理和應用
11.2 常用語音轉換的方法
11.2.1 頻譜特徵參數轉換
11.2.2 基音周期轉換
11.2.3 韻律信息轉換
11.3 語音分析模型和語音庫的選擇
11.3.1 語音分析模型
11.3.2 語音庫的設計
11.4 應用CMM的語音轉換
11.5 語音轉換的研究方向
11.6 語音信息隱藏的原理及應用
11.7 語音信息隱藏的常用方法
11.8 語音信息隱藏系統的評價標准
11.9 語音信息隱藏需要研究和解決的問題
11.10 思考與復習題
第12章 語音信號中的情感信息處理
12.1 概述
12.2 語音信號中的情感分類和情感特徵分析
12.2.1 情感的分類
12.2.2情感特徵分析
12.3 語音情感識別方法
12.3.1 主元分析法
12.3.2 神經網路方法
12.3.3 混合高斯模型法
12.4 情感語音的合成
12.5 今後的研究方向
12.6 思考與復習題
第13章 耳語音信號處理
13.1 耳語音的聲學特徵分析
13.1.1 音長
13.1.2 音高
13.1.3 聲調
13.1.4共振峰頻率
13.1.5 耳語音美爾頻率倒譜特徵參數分析
13.2耳語音增強
13.3 耳語音轉換正常音
13.4耳語音識別
13.4.1 孤立字(詞)的耳語音識別
13.4.2 耳語音的說話人識別
13.5 耳語音的研究方向
13.6 思考與復習題
第14章 語音增強
14.1 概述
14.2 語音特性、人耳感知特性及雜訊特性
14.2.1 語音特性
14.2.2入耳感知特性
14.2.3 雜訊特性
14.3 濾波法語音增強技術
14.3.1 陷波器法
14.3.2 自適應濾波器
14.4 利用相關特性的語音增強技術
14.4.1 自相關處理抗噪法語音增強技術
14.4.2 利用復數幀段主分量特徵的降噪方法
14.5 非線性處理法語音增強技術
14.5.1 中心削波法
14.5.2 同態濾波法
14.6 減譜法語音增強技術
14.6.1 基本原理
14.6.2 基本減譜法的改進
14.7 利用Weiner濾波法的語音增強技術
14.7.1 基本原理
14.7.2 Weiner濾波的改進形式
14.8 思考與復習題
附錄A 語音信號LPC美爾倒譜系數(LPCMCC)分析程序
附錄B 利用HMM的孤立字(詞)語音識別程序
附錄C 漢英名詞術語對照」
參考文獻
……