使用特征空间切换多元回归实现基于 HMM 的参数语音合成发音控制

基于摘要分析。本文研究如何利用发音器官运动特征控制 HMM 参数语音合成，提出特征空间切换多元回归 HMM，使发音特征到声学特征的映射不再仅由上下文相关的 HMM 状态决定。主要研究对象是可控语音合成，而非 EEG 解码或 BCI。 机制上，作者采用 multiple regression HMM（MRHMM）建模声学特征分布，将发音特征作为外生解释变量；另用 Gaussian mixture model（GMM）建模发音特征空间，并为各 GMM 分量训练发音到声学的回归矩阵。相较此前按上下文相关 HMM 状态配置线性变换的方法，该设计将回归映射的划分依据转向发音空间。作者还提出任务特定的上下文特征裁剪方法，以使状态上下文特征与合成阶段被人为调整的发音特征相容；具体裁剪规则与训练细节尚未验证。 评估使用声学波形与电磁发音描记法（EMA）记录的发音器官运动同步采集的语音数据库，包含两项任务。作者报告，在元音身份修改任务中，通过改变发音输入重建目标元音的表现优于其此前方法；在新元音生成任务中，即使训练数据不含该元音的声学样本，采用适当发音表示仍可生成听感高度自然的元音。摘要未给出数据库名称、说话人数、划分方式、量化指标或听评协议，实验协议、消融及统计信息尚未验证。 该方法依赖配对的声学与发音运动数据，摘要没有建立其与 EEG/BCI 的具体对应关系，因此不能将语音合成结果视为神经信号解码或 BCI 有效性的证据。