Question

voice_kal_diphone和voice_ral_diphone在唱歌模式下正常工作（有声音输出且指定音符的音高正确）。

voice_cmu_us_ahw_cg和其他CMU声音无法正常工作 - 声音输出但音高不会根据指定的音符进行更改。

是否可以使用更高质量的CMU声音获得正确的输出？

工作（音高影响）输出的命令行是：

text2wave -mode singing -eval "(voice_kal_diphone)" -o song.wav song.xml

非工作（音高不受影响）输出的命令行是：

text2wave -mode singing -eval "(voice_cmu_us_ahw_cg)" -o song.wav song.xml

这是song.xml：

<?xml version="1.0"?>
<!DOCTYPE SINGING PUBLIC "-//SINGING//DTD SINGING mark up//EN" "Singing.v0_1.dtd" []>
<SINGING BPM="60">
 <PITCH NOTE="A4,C4,C4"><DURATION BEATS="0.3,0.3,0.3">nationwide</DURATION></PITCH>
 <PITCH NOTE="C4"><DURATION BEATS="0.3">is</DURATION></PITCH>
 <PITCH NOTE="D4"><DURATION BEATS="0.3">on</DURATION></PITCH>
 <PITCH NOTE="F4"><DURATION BEATS="0.3">your</DURATION></PITCH>
 <PITCH NOTE="F4"><DURATION BEATS="0.3">side</DURATION></PITCH>
</SINGING>

您可能还需要singing-mode.scm的补丁：

@@ -339,7 +339,9 @@
 (defvar singing-max-short-vowel-length 0.11)

 (define (singing_do_initial utt token)
-  (if (equal? (item.name token) "")
+  (if (and
+        (not (equal? nil token))
+        (equal? (item.name token) ""))
       (let ((restlen (car (item.feat token 'rest))))
         (if singing-debug
             (format t "restlen %l\n" restlen))

要设置我的环境，我使用了festvox fest_build script。您还可以download voice_cmu_us_ahw_cg separately。

Answer 1

似乎问题出现在手机生成中。

voice_kal_diphone使用UniSyn综合模型，而voice_cmu_us_ahw_cg使用ClusterGen模型。最后一个有自己的语调和持续时间模型（基于状态）而不是电话语调/持续时间：可能你注意到在生成的歌曲中，持续时间也没有改变。

singing-mode.scm尝试提取每个音节并修改其频率。如果ClusterGen模型波形发生器只是忽略由于不同建模而在Target中设置的音节频率和持续时间。

因此，我们拥有更好的语音质量（基于统计模型），但无法直接改变频率。

可以找到关于生成管道的非常好的描述here。

节日2.4：为什么有些声音不适合唱歌模式？

1 个答案: