[发明专利]用于文本转语音性能评价的系统和方法

说明书

本发明提供用于文本转语音性能评价的系统和方法。在例证实施例中，一种用于文本转语音(TTS)性能评价的方法包括：提供多个语音样本和与相应语音样本关联的得分；根据所述多个语音样本和对应得分，建立语音模型；和通过语音模型评价TTS引擎。本发明只需要一人在开始阶段生成标准语音模型，该语音模型可反复用于不同TTS合成引擎的测试和评价。本发明中提出的解决方案大大降低了所需的时间和人工成本。

技术领域

本发明涉及文本转语音(TTS)合成的领域，更具体地，涉及用于文本转语音合成的性能评价的系统和相关方法。

背景技术

话音控制技术已被研究20年以上，许多提出的益处已在各种应用中得到证明。计算机硬件和软件的不断发展使话音控制技术的使用更实用、灵活和可靠。结果，话音控制系统在现代电子设备中变得越来越普及。例如，话音控制系统已被结合到智能电话机、车载电子设备(比如可从BMW Corp.获得的iSpeech系统)、智能家居应用等中。

话音控制系统一般基于语音识别和文本转语音(TTS)合成。语音识别可把用户产生的音频信号转换成对应命令，根据所述命令，电子设备进行特定操作。另一方面，文本转语音合成向用户提供话音读出功能。例如，在车载电子设备的情况下，语音识别可让驾驶员利用口头命令控制诸如电话机、空调、导航和音响系统之类的功能部件，并且文本转语音合成可提供话音导航信息，或者为驾驶员朗读电子邮件或SMS消息。这不仅更舒适，而且安全：驾驶员的双手始终保持在方向盘上，他(她)对周围交通情况的注意力不被分散。

文本转语音合成是文本到语音的转换。这种转换依照特定语言的发音规范，把文本变换成尽可能接近真实人类语音的合成语音。通常，TTS合成包含自然语言处理的第一步骤。更具体地，文本输入被变换成包括待产生的音素、其持续时间、短语边界的位置以及各个短语的音高/频率轮廓的语言表达。随后，TTS合成的第二步骤是通过数字信号处理，把在语言分析阶段中获得的标音和韵律信息变换成声波波形。K.R.Aida-Zade等在“the mainprinciples of text-to-speech synthesis system”(International Journal ofSignal Processing,Vol.6,No.1,2010)中也描述了TTS合成系统，该文献通过引用整体包含于此。

TTS的质量非常重要，因为它与TTS合成系统或引擎生成的话音输出是否可被客户理解以及当听到所述话音输出时客户是否感到舒适有关。语音合成系统的最关键质量是自然性和可懂度。自然性描述输出的声音到底有多像人类语音，而可懂度是理解所述输出的容易度。理想的语音合成器既自然又易懂。语音合成系统通常试图使这两种特性最大化。

目前，存在许多可用的TTS引擎，比如Apple Corp.的Siri、Microsoft Corp.的SAM、Android TTS引擎以及许多其它因特网TTS引擎。从而，出现如何评价这样的引擎以便选择对客户来说最佳的TTS产品的挑战。TTS评价旨在关于诸如可懂度和自然性之类的重要准则，评价由TTS合成引擎生成的语音。在TTS性能的评价中，一般使用主观评价方法，比如MOS(平均意见得分)、DRT(诊断押韵测试)、DAM(诊断接受度测量)、CT(理解测试)等。

以MOS为例，它是通过计算一组标准和主观测试的结果的平均值进行的，在所述一组测试中，许多听众评定由TTS合成引擎生成的测试句子的感知话音质量的等级。下表1表示MOS分级方案。MOS被表示成在1-5的范围中的单一数字，其中1是最低的感知音频质量，5是最高的感知音频质量测量。通过求所有听众的所有得分的平均值，计算各个测试句子的感知得分。

表1：MOS分级方案