清华大学计算机科学与技术系的实践教学

清华大学计算机科学与技术系以探索和研究为基础,注重培养高质量的复合型人才。本文介绍了清华大学计算机科学与技术系的实践教学体系,并针对其中部分环节存在的不足提出了几点建议。     

文语转换系统在电话语音系统中的应用

简要介绍了电话语音系统和文语转换系统。并以美国Ｄｉａｌｏｇｉｃ公司的Ｄ／４１Ｄ语音卡系统和清华大学的文语转换系统为研究对象进行了概括性的介绍，叙述了将文语转换系统应用于电话语音系统中所存在的一些问题以及解决的途径，并介绍了研究开发的结果。     

一种数字语音处理研究平台的设计

设计了一种支持多视图和多种数据接口的研究平台。该平台采用了模块组合式的体系结构，使得新的语音处理算法能够便捷地加入到平台中。所有模块被分为内部模块和外部模块。内部模块集成语音的数据接口和可视化功能，外部模块则实现语音的分析功能。该平台采用了纵版的显示方式，不同算法得到的结果被垂直排列显示在一个窗口内，有利于对比分析，还内建了支持基于XML的语音标注格式，能够被直接应用到语料库建设和语音分析等领域。     

自然语流中二音节组重读的表现

1 引言在汉语文-语转换系统(CTTS)的研究中,要求系统合成的语音应尽量模拟自然语音,体现出语言抑扬顿挫的美感。这需要正确地界定韵律短语,细微地模拟自然语音的韵律模式。自然语音在字调、语调、重音等方面的变化,其声学特征的表现为音长、基频和幅度等时域参数。因此,在基于时域PSOLA的CTTS研究     

Grading the Severity of Mispronunciations in CAPT Based on Statistical Analysis and Computational Speech Perception

Computer-aided pronunciation training（CAPT） technologies enable the use of automatic speech recognition to detect mispronunciations in second language（L2） learners＇ speech. In order to further facilitate learning, we aim to develop a principle-based method for generating a gradation of the severity of mispronunciations. This paper presents an approach towards gradation that is motivated by auditory perception. We have developed a computational method for generating a perceptual distance（PD） between two spoken phonemes. This is used to compute the auditory confusion of native language（L1）. PD is found to correlate well with the mispronunciations detected in CAPT system for Chinese learners of English,i.e., L1 being Chinese（Mandarin and Cantonese） and L2 being US English. The results show that auditory confusion is indicative of pronunciation confusions in L2 learning. PD can also be used to help us grade the severity of errors（i.e.,mispronunciations that confuse more distant phonemes are more severe） and accordingly prioritize the order of corrective feedback generated for the learners.     

波形编辑语音合成技术及在汉语TTS中的应用

本文介绍了近几年迅速发展的基于波形编辑的语音合成技术。文中简介了它的研究内容、基本算法，还介绍了用波形编辑方法实现的汉语文－语转换系统。     

动态视位模型及其参数估计

视觉信息可以加强人们对语音的理解,但如何在可视语音合成中生成逼真自然的口形是个复杂的问题.在深入地研究了人们说话过程中口形变化的规律后,提出了一个基于控制函数混合的动态语音视位模型.并针对汉语发音的特点给出了一种系统的从训练数据学习模型参数的方法,这比依靠主观经验人为指定模型参数更为可靠.实验结果表明,视位模型和通过训练数据学习得到的模型参数可以有效地描述汉语发音过程中口形的变化过程.     

一种基于神经网络的规则获取方法

分类问题是数据挖掘中的一个重要问题，分类目的就是寻找规则，具体来说，就是从给定的数据集合中找出能把数据集划分成不相交的若干个组的规则，目前已有的在大型数据库中挖掘分类规则的数据挖掘方法，主要还是基于符号学习机制的决策树方法．本文研究了一种新型的规则抽取算法，能够从神经网络中抽取出较好的规则．     

基于语法树高度的汉语韵律短语预测

在文语转换系统中,从文本中预测出准确的韵律结构对于提高合成语音的自然度具有重要的作用。利用10 000句标注了词性标记的文本语料,在语言学专家的指导下,人工标注了语料的韵律词和韵律短语。选择了标注结果一致性最高的500句语句,标注了语法层级结构,并利用语法树高度描述语法词之间连接的紧密程度。通过分析韵律短语边界与语法结构的关系,发现韵律短语边界受语法树高度、语法词词性和语法词词长的影响,因此选择了这三个特征,利用TBL算法和400句训练语句训练了预测模型。测试集上的预测结果表明,提出的方法在小规模训练语料下,韵律短语预测的精确率达到了75.2%,召回率达到了77.1%,F-Score达到了76.1%。     

视觉语音参数的自动估计

视觉语音参数估计在视觉语音的研究中占有重要的地位.从MPEG-4定义的人脸动画参数FAP中选择24个与发音有直接关系的参数来描述视觉语音,将统计学习方法和基于规则的方法结合起来,利用人脸颜色概率分布信息和先验形状及边缘知识跟踪嘴唇轮廓线和人脸特征点,取得了较为精确的跟踪效果.在滤除参考点跟踪中的高频噪声后,利用人脸上最为突出的4个参考点估计出主要的人脸运动姿态,从而消除了全局运动的影响,最后根据这些人脸特征点的运动计算出准确的视觉语音参数,并得到了实际应用.