将语音音频连接到声音连续的算法？

Question

我正在构建一个简单的程序，用人声说出电话号码。

为此，我预先录制了每个数字（使用不同的语调），当我得到一个数字时，我加入音频文件并一起播放，并在数字之间添加一些静音。

然而，这听起来并不顺畅或自然。

我尝试对文件进行增益和速度规范化，但感觉我需要以某种“智能”方式加入它们，以便过渡听起来很自然。

我找了一些算法来做但没找到任何东西。

是否有一种已知方法？

感谢。

Answer 1

该算法称为PSOLA。有像TD-PSOLA这样的变种。

总的来说，这里有很多东西 - 如何基于声学属性，源语调和所需的目标语调来决定加入哪些项目。实现起来非常复杂，因此最好使用现有的开源TTS系统和现有的合成器，它们涵盖了所有内容。您可以查看festvox或Openmary。

Answer 2

人类正在用数字块拼写电话号码。

通常，block将包含1到4个数字，有时电话号码将组合不同的大小类型。

为了生成拼写像自然语音这样的电话号码的内容，您需要定义至少两个不同的静音变量：

• dtNumber =在块中的两个数字之间应用静音

• dtBlock =在两个数字块之间应用静音

首先将电话号码拆分为阻止列表：

01-12-13-14-15 =＆gt; [01,12,13,14,15]

1-888-452-1505 =＆gt; [1,888,452,1505]

迭代所有块（等待其中两个之间的dtBlock秒）：

＆安培;

迭代每个块的编号（等待dtNumber秒）。

如果您应用类似dtBlock＆gt; = 2 x（dtNumber）的内容，您将拥有一个看起来很自然的声音文件。