一種基於diva神經網絡模型的語音生成方法

2023-06-28 13:39:21 4

專利名稱：一種基於diva神經網絡模型的語音生成方法
技術領域：
本發明涉及一種語音生成方法，特別是一種基於DIVA神經網絡模型的語音生成方法。
背景技術：
隨著人工智慧的發展，人們對這個領域的研究不斷深入。對類似真人發音的語音生成和獲取的控制，是機器人發音系統急需解決的問題。語音生成與獲取是一個涉及大腦諸多部位複雜的認知過程，這個過程包括一種從依照句法和語法 組織句子或短語的表述一直延伸到音素產生的分層結構，需要根據發聲時大腦中各種感官和運動區域的交互作用建立相應的神經網絡模型。目前 DIVA (Directions Into Velocities of Articulators)模型就是一種關於語音生成與獲取後描述相關處理過程的數學模型，主要被用來仿真和描述有關大腦中涉及語音生成和語音理解區域的相關功能。也可以說它是一種為了生成單詞、音節或者音素，而用來控制模擬聲道運動的自適應神經網絡模型。在當今真正具有生物學意義的語音生成和獲取的神經網絡模型中，DIVA模型的定義和測試相對而言是最徹底的，並且是唯一一種應用偽逆控制方案的模型。人們對於人類語言能力的統一計算模型的需求推動著DIVA模型的發展。這個模型自從由MIT大學語音實驗室的Guentherl994年首次提出以來，近些年來不斷地被更新、完善和改進。DIVA系統由語音通道模塊、耳蝸模塊、聽覺皮層模型模塊、聽覺皮層類別感知模塊、語音細胞集模塊、運動皮層模塊、聲道模塊、體覺皮質模塊、感覺模塊和感覺通道模塊組成。通過對DIVA模型的分析，我們可以發現其聽覺皮層類別感知模塊中所使用的分類方法是RBF。而RBF神經網絡對樣本的依賴性很大，對於某一具體的研究問題，如何確定合適的隱含層節點數，目前尚無通用有效的算法或者定理。人們更多的是憑藉經驗，反覆試驗來確定網絡的規模，這種試湊的方法非常繁瑣，不易找到合適的結構。網絡隱含層的節點數對網絡的收斂速度、精度及泛化能力都有很大的影響。隱含層節點過多，雖可以完成訓練，但會影響收斂速度，而且有可能出現過學習；而隱含層節點過少，網絡不能充分學習，達不到訓練精度的要求。此外，RBF神經網絡訓練的時間也不夠快。

發明內容
本發明的目的在於提供一種發音精度高、學習速度快的基於DIVA神經網絡模型的語音生成方法。實現本發明目的的技術解決方案為一種基於DIVA神經網絡模型的語音生成方法，包括語音樣本提取、語音樣本分類與學習、語音輸出和修正輸出語音，所述語音樣本分類與學習採用自適應生長型神經網絡(AGNN)實現對語音樣本的分類學習，具體為步驟一、將提取的語音共振峰頻率通過雅克比行列式轉換為矩陣形式，該矩陣的特徵向量的維數即輸入層候選神經元的數目m ;計算輸入層候選神經元的適應度函數值並按適應度函數值遞增的順序排列候選神經元，輸入層候選神經元適應度函數值的列表相應
的為S= {Sn ≤Si2 ≤...≤SiJ ,並按相應的順序將候選神經元放在列表X中,X= (X1,. . . ,Xm)，
所述適應度函數計算公式為
權利要求
1.一種基於DIVA神經網絡模型的語音生成方法，包括語音樣本提取、語音樣本分類與學習、語音輸出和修正輸出語音，其特徵在於，所述語音樣本分類與學習採用自適應生長型神經網絡(AGNN)實現對語音樣本的分類學習，具體為 步驟一、將提取的語音共振峰頻率通過雅克比行列式轉換為矩陣形式，該矩陣的特徵向量的維數即輸入層候選神經元的數目m ;計算輸入層候選神經元的適應度函數值並按適應度函數值遞增的順序排列候選神經元，輸入層候選神經元適應度函數值的列表相應的為S= {Sn ≤ Si2 ≤…≤SiJ ,並按相應的順序將候選神經元放在列表X中，X= (X1,…，Xm),所述適應度函數計算公式為
2.根據權利要求I所述的基於DIVA神經網絡模型的語音生成方法，其特徵在於 步驟六中訓練此隱層候選神經元並計算它的適應度函數值C；，具體為 (1)將語音共振峰頻率歸一化所形成的數據集劃分為訓練集、驗證集和測試集，這裡劃分的訓練集和驗證集的樣本數目分別為nA，nB，劃分依據為nA=nB ；(2)根據劃分後的三個集合，利用下述公式計算隱層候選神經元的適應度函數值C；，
3.根據權利要求I所述的基於DIVA神經網絡模型的語音生成方法，其特徵在於 所述步驟八中根據輸出層的輸出數值來確定音素，具體為所述輸出層的輸出數值為O至I區間的數值，並根據DIVA神經網絡模型中每個音素所對應的範圍值來確定AGNN神經網絡輸出數值所對應的音素。
全文摘要
本發明公開了一種基於DIVA神經網絡模型的語音生產方法，包括語音樣本提取、語音樣本分類與學習、語音輸出和修正輸出語音，所述語音樣本分類與學習採用自適應生長型神經網絡(AGNN)實現對語音樣本的分類學習，利用獲取的語音共振峰頻率來進一步計算輸入層候選神經元的數目，再根據輸入層候選神經元來確定隱層神經元，最終獲得AGNN的輸出值，並根據輸出值來確定音素，採用上述結構的神經網絡訓練精度高且學習速度快。
文檔編號G06N3/08GK102789594SQ201210219670
公開日2012年11月21日 申請日期2012年6月28日 優先權日2012年6月28日
發明者劉欣, 張少白, 徐磊 申請人:南京郵電大學