具有同樣的突顯度和短語模型的兩段話語可能由于具有不同的調（tune）而在韻律上有所不同。調就是話語的語調節(jié)律。我們來考慮語段“oh, really”。不用改變短語和重音，只要改變語調，這個語段也會有很多變體。例如，我們可以激動地說“oh, really！”（當有人告訴你中了彩票，你激動地做出的回應）；也可以懷疑地說“oh, really?”（當你不相信說話人所說的是真的時），也可以憤怒地說“oh, really！”來表達你的不悅。語調可以分解成一些組成部分，其中最重要的組成部分是音高重音（pitch accent）。音高重音出現(xiàn)在重讀音節(jié)中，形成F0曲拱的一個特殊模式（請看下面的解釋）。根據(jù)模式的類型，可以產生不同的效應。音高重音分類的最流行模式是Pierrehumbert模式或ToBI模式（Pierrehumbert,1980; Silverman et al.,1992）。這個模式指出，英語中共有5種音高重音，是由高調H和低調L兩個簡單的調按不同的方式組合而成的。H+L模式形成降調，L+H模式形成升調。星號（*）用于表示在重音音節(jié)上哪個調是降調。這樣，可形成的音高重音模式有H*，L*，

L+H*，L*+H，H+L*（第6個音高重音模式H*+L在該模式的早期版本中出現(xiàn)過，但后來被放棄了）。關于所舉的“oh, really”的3個例子，其重音可以分別標為L+H*，L*+H和L*。除了音高重音之外，該模式還有兩個短語重音L-和H-，兩個邊界調L%和H%，用于短語的結尾以控制語調的升或降。

其他語調模型與ToBI模型的不同之處在于，它們不使用離散的音位類別來表示語調重音。例如，Tilt (Taylor, 2000)和Fujisaki模型 (Fujisaki and Ohno,1997) 使用連續(xù)的參數(shù)而不使用離散的范疇來模擬音高重音。這些研究者證明，離散模型通常比較直觀，便于掌握，而連續(xù)模型則可能具有更高的魯棒性和精確性，更便于計算使用。

2. 韻律的語音和聲學性質

上述三個音位因素相互作用，并在各種不同的語音和聲學現(xiàn)象中實現(xiàn)。突顯的音節(jié)一般比非突顯的音節(jié)讀得重一些、長一些。韻律的短語邊界通常有停頓，邊界之前的音節(jié)變長，有時邊界處的音高變低。語調則表現(xiàn)為基頻（F0）曲拱。

3. 語音合成中的韻律

TTS的主要任務是生成韻律的適當語言表示，并且從這樣的語言表示出發(fā)，生成適當?shù)穆晫W模式，而這樣的聲學模式將表現(xiàn)為輸出語音的波形。這樣一個韻律成分在TTS系統(tǒng)中的輸出就是音子的一個序列，每個音子都有一個音延（duration）值和一個音高（pitch）值。每個音子的音延與語音上下文有關。F0的值受到前面討論過的各種因素的影響，包括詞重音、句子的重讀或焦點成分以及話語的語調（例如，疑問句中后面部分的語調要升高）。圖1. 是FESTIVAL（Black et al.,1999)語音合成系統(tǒng)對于句子Do you really want to see all of it?的TTS 輸出的一個樣本。這個輸出以及圖2. 所示的F0的值成了波形合成（waveform synthesis）的輸入。其中的音延是用CART風格判定樹（Riley,1992）來計算的。

圖1. 句子Do you really want to see all of it? 在FESTIVAL 語音合成器 (Black et al., 1999) 中的輸出。精確的語調曲拱如圖2. 所示。圖片由Paul Taylor提供

如上所述，確定一個句子的韻律模式是很困難的，因為需要有真實世界的知識和語義學的信息來判別要重讀什么音節(jié)，要應用什么語調。此類信息很難從文本中抽取出來，因此韻律模式通常只自然語言處理綜論是產生輸入文本的“中性的陳述句”，并且假定說這樣的句子時，不需要參照話語的歷史或現(xiàn)實世界的事件，它是一個默認值。這是在TTS中語調總是顯得有些“呆板”的一個主要原因。

圖2. FESTIVAL語音合成系統(tǒng)生成的圖1. 中的示例句子的F0曲拱。圖片由Paul Taylor提供

責任編輯：admin