语音合成技术也叫文语转换技术,能够将文字转换成语音的形式输出,是人机交互中必不可少的一部分。在当今的智能音箱、智能家居、车载导航等许多人工智能应用场景中都离不开语音合成技术。基于语料库的波形拼接语音合成方法目前已有较高的可懂度和自然度,但在进一步提高听感质量上仍有待加强,尤其是基元的拼接产生的声音突变现象需要进一步改善,造成声音突变的主要原因是传统的语音合成系统不能使前后基元之间具有足够的协同发音的音联性。因为协同发音是源自于人体发声器官的自然连续运动,所以本文从发音动作的角度进行波形拼接语音合成,所做的工作如下:首先,为了使语料库的基元能充分地涵盖汉语不同协同发音情况下的声音变体,本文基于对汉语协同发音类型的总结,设计并建立了满足变体覆盖率的语料库,并基于研究的协同发音标注方法,使用电磁发音仪(Electro magnetic articulography,EMA)数据对语料库中每一个基元进行发音动作的标注。高质量的语料库也是语音合成的基础。然后,为了得到输入文本对应的体现协同发音特征的发音动作参数,本文构建了隐马尔科夫模型(Hide Markov Model,HMM),使模型输出的发音动作参数具有音联的过渡连续性。能充分反应音联效果的发声动作参数也是下一步基元选择的依据。最后,为了能准确地从语料库里挑选出最佳基元,本文基于代价计算理论设计了适用于发音动作特征的代价计算法,并且将获得的每一个最佳基元经过平滑算法进行处理和拼接,从而使整个语音合成系统输出连接过渡性更好的声音。本文从客观和主观两个角度对合成声音的效果进行评价,并且使用现阶段常用的基于上下文信息的波形拼接语音合成方法作为对照。实验结果显示,基于发音动作特征的波形拼接语音合成方法能使合成语音在基元拼接处的过渡效果更自然,更能满足协同发音的音联要求。