第３０卷第１１期 ２０１３年１１月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏｌ＿３０ Ｎｏ．１１ ＮＯＶ．２０１３ 面向语音合成的藏语单音素与三音素 自动切分算法研究术 张金溪 ，李永宏 ，单广荣 ，李照耀 ，江摘静 （西北民族大学ａ．中国民族语言文字信息技术重点实验室；ｂ．数学与计算机科学学院，兰州７３００３０） 要：在构建藏语语料库时要对语音进行音素切分，采用了两种方法，即基于单音素ＨＭＭ模型的自动切分 方法和基于三音素ＨＭＭ模型的自动切分方法。通过实验分析了这两种ＨＭＭ模型的自动切分结果的准确率程 度，其中单音素、三音素总的平均切分准确度分别为８０．６９％、８８．７４％。实验结果表明，三音素ＨＭＭ模型的自 动切分方法的准确率明显高于单音素ＨＭＭ模型的切分率，提高了语音语料库标注信息的精确度和一致性。 关键词：语音合成；藏语语料库；单音素；三音素；自动切分 中图分类号：ＴＰ３９１．１ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１３）１１—３２７２—０４ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１３．１１．０１６ Ｆａｃｉｎｇ ｓｐｅｅｃｈ ｓｙｎｔｈｅｓｉｓ ｆｏｒ Ｔｉｂｅｔａｎ ｓｉｎｇｌｅ ｐｈｏｎｅｍｅ ａｎｄ ｔｒｉｐｈｏｎｅ ａｕｔｏｍａｔｉｃ ｃｕｔｔｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｓｔｕｄｙ ＺＨＡＮＧ Ｊｉｎ—ｘｉ ，ＬＩ Ｙｏｎｇ—ｈｏｎｇ ，ＳＨＡＮ Ｇｕａｎｇ—ｒｏｎｇ ，ＬＩ Ｚｈａｏ—ｙａｏ ，ＪＩＡＮＧ Ｊｉｎｇ （ａ．Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｃｈｉｎａ’ｓ Ｎａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，ｂ．Ｍａｔｈｅｍａｔｉｃｓ＆Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ Ｉｎｓｔｉｔｕｔｅ，Ｎｏａｈｗｅｓｔ Ｕｎｉｖｅｒｓｉｔｙ ｒ Ｎａｔｉｏｎａｌｉｔｉｅｓ，Ｌａｎｚｈｏｕ ７３００３０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｄ ｔｗｏ ｍｅｔｈｏｄｓ ｆｏｒ ｐｈｏｎｅｍｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｎ Ｔｉｂｅｔａｎ ｓｐｅｅｃｈ ｓｙｎｔｈｅｓｉｓ ｃｏｒｐｕｓ ｃｏｎｓｔｒｕｃｔｉｏｎ：ｏｎｅ ｗａｓ ｔｈｅ ａｕｔｏｍａｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ Ｗｈｉｃｈ ｗａｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｍｏｎｏ ｐｒｉｍｅ ＨＭＭ ｍｏｄｅｌ，ｔｈｅ ｏｔｈｅｒ ｗａｓ ｔｈｅ ａｕｔｏｍａｔｉｃ ｓｅｇｍｅｎ— ｒａｔｉｏｎ ｍｅｔｈｏｄ ｗｈｉｃｈ ｗａｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｔｒｉｐｈｏｎｅ ＨＭＭ ｍｏｄｅ１．Ａｓ ｔｈｅ ａｎａｌｙｓｉｓ ｔｏ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｔｗｏ ＨＭＭ ａｕｔｏｍａｔｉｃ ｓｅｇ— ｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ．ｉｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｆｉｒｓｔ ｍｅｔｈｏｄ’Ｓ ａｃｃｕｒａｃｙ ｉｓ ８０．６９％ａｎｄ ｔｈｅ ｓｅｃｏｎｄ ｍｅｔｈｏｄ’Ｓ ｉｓ ８８．７４％．Ｔｈｅ ｅｘｐｅｒｉｍｅｎ— ｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｔｈｅ ｔｒｉｐｈｏｎｅ ＨＭＭ ｍｏｄｅｌ ａｃｃｕｒａｃｙ ｉｓ ｏｂｖｉｏｕｓｌｙ ｈｉｇｈｅｒ ｔｈａｎ ｔｈｅ ｏｔｈｅｒ．Ｗｉｔｈ ｔｈｉｓ ｍｅｔｈｏｄ，ｔｈｅ ａｃｃｕｒａｃｙ ａｎｄ ｃｏｎｓｉｓｔｅｎｃｙ ｏｆ ｔｈｅ ｓｐｅｅｃｈ ｃｏｒｐｕｓ ｈａｓ ｂｅｅｎ ｇｒｅａｔｌｙ ｉｍｐｒｏｖｅｄ． Ｋｅｙ ｗｏｒｄｓ：ｓｐｅｅｃｈ ｓｙｎｔｈｅｓｉｓ；Ｔｉｂｅｔａｎ ｃｏｒｐｕｓ；ｍｏｎｏｐｈｏｎｉｃ ｐｒｉｍｅ；ｔｒｉｐｈｏｎｅ；ａｕｔｏｍａｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ 藏语语料库的建设包括语料库的设计、录音、音段切分以 及标注等工作。只有设计一个完备的语料库才能为不同的工 程语音学来服务，而一个语料库设计的科学性表现在语料内容 的选取，针对于藏语拉萨话来说，要考虑具有音联结构、声调、 型的特征选择、模型参数和模型聚类进行了优化。文献［２］提 出一个新颖的单流多状态动态贝叶斯网络（ｓｉｎｇｌｅ ｓ￣ｅａｍ ｍｕｌｔｉ— ｓｔａｔｅｓ ｄｙｎａｍｉｃ Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋ，ＳＭ—ＤＢＮ）模型，以实现大词汇 量连续语音识别和音素切分。这些改进在不同程度上提高了 音素切分的准确率。 基于三音素ＨＭＭ模型的自动切分 与基于单音素ＨＭＭ 模型的自动切分相比，最大的不同是在训练过程中加入了切分 语调模式、语流音变这些现象的藏语内容。在构建藏语大语料 库时，要对大量的语音进行切分和标注工作，这时需要切分标 注者的高度集中注意力，这样才能确保切分标注的可靠性。在 对藏语语音进行音素切分时可以采用基于单音素ＨＭＭ模型 或多音素ＨＭＭ模型的自动切分。两音素ＨＭＭ模型只考虑了 基元的上下文相关信息，在切分之前进行了ＨＨｅｄ模型预测 （ＨＨｅｄ是ＨＴＫ工具包中直接对ＨＭＭ模型进行各种编辑和优 后一个音素，无法像三音素那样考虑上下文，导致切分不准确； 对于超过三音素的模型由于模型数据庞大，建模繁琐，因此本 化操作的工具，用该工具事先对模型中的均值、方差、权重设定 一个初值），这在很大程度上提高了切分准确率。基于人工切 文采用单音素ＨＭＭ模型与三音素ＨＭＭ模型。为了达到语音 语料库标注信息的一致性和准确度，节省大量的人力精力，本 文分别考虑采用基于单音素ＨＭＭ模型的自动切分方法和基 分标注方法存在一些不足，单音素ＨＭＭ模型切分正确率有待 进一步提高等问题，本文有必要通过实验对比找出一种更好的 藏语拉萨话音素自动切分方法。 于三音素ＨＭＭ模型的自动切分方法作音素切分准确率对比 实验。 １ 数据准备 基于单音素ＨＭＭ模型的自动切分方法的数据准备，包括 文献［１］针对英文语音库中音素边界的切分，对ＨＭＭ模 收稿日期：２０１３．０２．２６；修回日期：２０１３－０３—２８ 务费专项项目（ｙｃｘ１２０２４） 基金项目：国家自然科学基金资助项目（６１２６２０５２）；西北民族大学高校基本科研业 作者简介：张金溪（１９８５一），男，山东沂水人，硕士研究生，主要研究方向为语音合成（ｈａｐｐｙＯｈａｐｐｙ＠１６３．ｃｏｎ）；李永宏（１９７９－），副教授，博士 （后），主要研究方向为实验语音学；单广荣（１９５６－），教授，博士，主要研究方向为网络数据库和教字图书馆；李照耀（１９８６一），男，硕士研究生，主要 研究方向为语音识别；江静（１９８８一），女，硕士研究生，主要研究方向为复杂网络中的免疫理论． 第１ｌ期 张金溪，等：面向语音合成的藏语单音素与三音素自动切分算法研究 ・３２７３・ 语料库的文本设计、语料的录音要求以及音素列表的确定等。 元音也在该系统中考虑在内，后接其他元音中包括辅音韵尾以 接下来就是模型训练，将单音素模型训练为三音素模型，但是 在模型训练前的一个非常重要的工作就是对上下文属性和问 及双元音的［ｉｕ儿ａｕ］ 。参考文献［９～１２］初步拟定发音信 息标注如表２所示。 表２发音信息标注表 题集进行设计。其中上下文属性设计则需要综合所有参数的 变化特性来设计 ；设计问题集是用于各种声学参数（基频、 时长和谱参数）决策树的生成，因此需要针对不同的参数变化 特性来设计对应的决策树问题集。 １．１ 语料库的文本设计 语料设计的一个重要原则是用尽量少的语料覆盖尽可能 多的自然语言现象。本语料库的设计兼顾到了音段和韵律的 两个层次，在语料选择时考虑了声调的组合、音段的音联现象、 清浊搭配、语句的持续时间等。本文中的原始文本语料选自 ２００７年的《日报》文本，语料覆盖了不同音节间的两音子 和大部分的三音子。在韵律方面，该语料满足了二、三、四音节 组中的各种组合，包含了广泛的藏语句型。本文暂时采用在业 界流行的Ｇｒｅｅｄｙ算法作为选择语料的依据，对大量的文本进 行搜索，对每句话进行打分，打分标准综合考虑各种因素而制 定，对得分满足条件的语句选入语料库。最终确定了２ ０００句 作为录音的文本。 １．２语料库的录音 录音人员为专业水平的播音员，拉萨话口音的青年人；采 样率１６ Ｋ，精度１６位，单通道录音，录音软件Ａｕｄｉｔｉｏｎ，录音文 件．ｗａｖ格式；要求正常语速，平均６—７音节／秒；正常语调，不 带有任何情感录音。 １．３音素列表的确定 音素列表的确定是基于西北民族大学中国民族语言文字 信息技术重点实验室设计的ＳＡＭＰＡ—ＳＴ＿６ｊ，在此基础上加上长 短静音ｓｉｌ（句间停顿）和ｓｐ（句中停顿），如表１所示。 表１ 自动音段切分中使用的音素列表及其对应的代表符号 １．４上下文属性的设计 上下文属性也称之为语境信息的标注，其目的是为了实现 ＨＭＭ模型由上下文无关模型转换为上下文相关模型，设计将 从发音信息和韵律层级信息两个方面进行描述。 发音信息的标注主要是指当前音素的发音特征情况以及 当前音素所在音节的声调。本文以藏语拉萨话为研究对象，拉 萨话声母主要是指单辅音声母，包括塞音９个，塞擦音６个，擦 音６个，鼻音、边音、喉塞音以及半元音共２８个辅音音位 。 将上述２８个音位按照发音方法共分为塞音、鼻音、塞擦音等六 类，按照发音部位可以分为双唇音、舌根音、喉音等九类。另 外，还包括清浊、送气与不送气的对立。藏语拉萨话的韵母按 照元音的发音特征中的舌位前后、唇形的圆展可分为八个基本 元音（［ａ］［ｉ］［ｕ］［ｅ］［ｏ］［ｓ］［Ｙ］［０］）。此外，喉化元音、鼻化 本文中的韵律层级结构依次为音素（ｓｅｇｍｅｎｔ）、音节（ｓｙｌ— ｌａｂｌｅ）、韵律词（ｗｏｒｄ）、韵律短语（ｐｈｒａｓｅ）以及句子（ｕｔｔｅｒａｎｃｅ）。 对于彼此之间的关系描述包括位置信息和个数信息 ，将其 应用于藏语的ＨＴＳ的标注文件的生成，同时为问题集的设计 打下基础，实现ＨＭＭ的模型训练部分的决策树聚类。参考文 献［９—１２］拟定韵律信息描述及符号表示如表３所示。 表３韵律信息标注表 信息描述 符号表示 当前（左／右）音节音素个数 Ｃ（Ｌ／Ｒ）－Ｓｙｌ—Ｎｕｍ—Ｓｅｇｓ＝＝ｘ 当前（左／右）词语音节个数 Ｃ（Ｌ／Ｒ）一Ｗｏｒｄ—Ｎｕｍ…Ｓｙｌｓ ｘ 当前（左／右）短语中音节个数 Ｃ（Ｌ／Ｒ）－Ｐｈｒａｓｅ—Ｎｕｍ…Ｓｙｌｓ Ｘ 当前（左／右）短语中词的个数 Ｃ（Ｌ／Ｒ）一Ｐｈｒａｓｅ—Ｎｕｍ—Ｗｏｒｄｓ＝＝Ｘ 当前音节（韵律词／韵律短语） 音素个数 Ｃ—Ｓｙｌ（ｗｏｒｄ／ｐｈｒａｓｅ）一Ｎｕｍ—Ｓｅｇｓ＝＝ｘ 当前句中音素（音节／韵律词／ 韵律短语）个数 Ｎｕｍ－Ｓｅｇ（Ｓｙｌ／Ｗｏｒｄ／Ｐｈｒａｓｅ）一ｉｎ—Ｕｔｔ＝＝Ｘ 当前音素位于音节的前向（后 向）位置 ＰｏｓＣ—Ｓｅｇｉｎ—Ｃ－Ｓｙｌ（Ｆｗ／Ｂｗ）＝＝ｘ 当前音素所在韵律词位于句中 的前向（后向）位置 ＰｏｓＣ—Ｗｏｒｄｉｎ—＿—Ｕｔｔ（Ｆｗ／Ｂｗ）＝＝ｘ 当前音素所在韵律短语位于旬 中的前向（后向）位置 ＰｏｓＣ－Ｐｈｒａｓｅ—ｉｎＵｔｔ（Ｆｗ／Ｂｗ）＝＝Ｘ 当前音素所在韵律词位于韵律 短语的前向（后向）位置 ＰｏｓＣ－Ｗｏｒｄｉｎ———Ｃ—Ｐｈｒａｓｅ（Ｆｗ／Ｂｗ）＝＝ｘ 当前音素所在音节位于句子的 前向（后向）位置 ＰｏｓＣ—Ｓｙｌｉｎ———Ｕｔｔ（Ｆｗ／Ｂｗ）＝＝ｘ 当前音素所在音节位于韵律词 的前向（后向）位置 ＰｏｓＣ—Ｓｙｌ——ｉｎ—Ｃ－Ｗｏｒｄ（Ｆｗ／Ｂｗ）＝＝Ｘ。 当前音素所在音节位于韵律短 语的前向（后向）位置 Ｐｏｓ—Ｃ－Ｓｙｌ＿ｉｎＣ—Ｐｈｒｓａｅ（Ｆｗ／Ｂｗ）＝＝ｘ 通过上述发音信息以及韵律信息的描述，结合Ｐｒａａｔ韵律 标注的结果，将文本文件转换为上下文相关的．１ａｂ标注文件， ．１ａｂ文件是Ｌｉｎｕｘ系统下ＨＴＳ开源平台可识别的文件格式。 一个语音文件对应一个．１ａｂ格式文件，一行标注内容表示一个 音素的所有上下文信息，一句话包含多少音素，ｌａｂ文件就有多 少行。 举例如下： 原始文本： 母 菩 拉丁转写：ｓａ ａｗ ｋａ ｆｊａａ ｐａ ａｊ ｔｄ ａｊ ｋａ ｋａ ｏｊ ｘａ ａｊ ｎｇ ｔｈ ｕｊ ｔｊ ＯＷ ｋａ ａｊ ｐａ ｘａ ａｊ ｎｇ ｓａ ｉｊａａ ｘａ ｕｊ ｎｇ ｎａ ａｊ ｎｇ ｔｔ ｕｊ ｋａ ｔｑ ａｊ ｘａ ｉｌ ｔａ ｕｊ ｔｈ ａａ ｔｊ ｉｊ ｎｇ 音素ｋａ在ｌａｂ文件中的描述：ｓａ ａｗ—ｋａ＋ｆｊａａ＝ｐａ＠ｌ＿２／Ａ： ２２—２＠８％２＆１８－１＃４ １ １：６＠１＋２＆２＿６／Ｂ：２２＝４７＠３Ｉ４／Ｃ：９＝ １９／Ｄ：６＋２／Ｅ：２％２＆０＝３｝Ｏ／Ｆ：０＃１０￣２＠３ １ ｆｊａａ 第１１期 张金溪，等：面向语音合成的藏语单音素与三音素自动切分算法研究 ・３２７５・ 表５基于单音素ＨＭＭ模型的自动切分结果 现基于三音素ＨＭＭ模型的自动切分方法要优于基于单音素 乩 ∞ ＨＭＭ模型的自动切分方法。虽然基于三音素ＨＭＭ模型的自 ｎ 动切分率有较大程度的提高，但是考虑到藏语语音信号的复杂 ７ ７ ８ ９ 性，在处理过程中也将使用不同的方法，所以只对谱参数进行 三音素ＨＭＭ建模远远不能解决一些实际的藏语语音现象。姗 挪 接下来是进行三音素ＨＭＭ模型自动切分实验。同样使 因此，基于三音素ＨＭＭ模型自动切分出的结果或多或少会存 口： 用前面的１ ３００个藏语句子作为训练数据，用之前的那１００个 在一些不足，为了使其切分准确度更高，掰 需要对切分结果进行 句子作为测试。统计方法和单音素ＨＭＭ模型一样。三音素 后期处理。例如，可以根据能量和过零率对某些清浊边界进行 ８ ８ ９ 自动切分误差范围统计如表６所示，各音素时间段的误差范围 适当调整；对ｓｐ（句中停顿）边界进行适当调整、添加或删 ７ ５ １ ４ ６ 如表７所示。 除等。 ∞ ∞ 表６基于三音素ＨＭＭ模型的自动切分误差范围统计 参考文献： ｝，● ８ ８ ９ Ｏ 句子 音素对 人工切分时间／ｓ 自动切分时间／ｓ ［１］王丽娟，曹志刚．基于ＨＭＭ模型的语音单元边界的自动切分 误差范围 序号 应符号 开始 结束 开始 结束 Ｗ／ｍｓ ［Ｊ］．数据采集与处理，２００５，２０（４）：３８１－３８４． 时间ｔ１ 时间ｔ２ 时间 时间 ［２］ 吕国云，蒋冬梅，张艳宁，等．基于动态贝叶斯网络的大词汇量连 １．Ｏ００ １．８６５ １．０００ １．８８５ ２０ 续语音识别和音素切分研究［Ｊ］．西北工业大学学报，２００８，２６ ５ 如 １．８６５ ２．９４５ １．８８５ ２．９７３ ８ （２）：１７３－１７８． ０ｏ１ ２．９４５ ３．３３０ ２．９７３ ３．３６３ ５ ［３］ 阿依木尼萨・胡甫尔．维吾尔语连续语音流中音素的自动切分 ３．３３０ ４．３２４ ３．３６３ ４．３５７ Ｏ 算法研究与实现［Ｄ］．乌鲁木齐：大学，２０１１． ４．３２４ ５．５１４ ４．３５７ ５．５５７ １０ ［４］ Ｈｔｋｂｏｏｋ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｕｓｅｒｓ．ｅｃｅ．ｇａｔｅｃｈ．ｅｄｕ／～ａｎｔｏｎｉｏ／ｈｔｋ－ ｂｏｏｋ／ｈｔｋｂｏｏｋ．ｈｔｍ１． ［５］ 张继勇．汉语语音识别中声学建模及参数共享策略的研究［Ｄ］． 北京：清华大学，２００１：５３－５６． ［６］ ＧＡＯ Ｌｕ，ＹＵ Ｈｏｎｇ—ｚｈｉ，ＬＩ Ｙｏｎｇ—ｈａｎｇ，ｅｔ ａ１．Ｓｔｕｄｙ ｏｎ ＳＡＭＰＡ—ＳＴ ｆｏｒ １００ Ｌｈａｓａ Ｔｉｂｅｔａｎ ａｎｄ ｒｅａｌｉｚａｔｉｏｎ ｏｆ ａｕｔｏｍａｔｉｃ ｌａｂｅｌｌｉｎｇ ｓｙｓｔｅｍ［Ｃ］／／Ｐｍｃ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ． ａｊ １９．７４０ ２１．０３０ ２０．０４ ２１．３３５ ５ ２０１０：１３３—１３７． ［７］ 高璐，于，郑文思．基于ＨＭＭ的藏语拉萨话语音合成技术研 究［Ｊ］．西北民族大学学报：自然科学版，２０１１，３２（２）：３０．３５． ［８］ 格桑居冕，格桑央京．藏语方言概论［Ｍ］．北京：民族出版社， ２００２． ［９］ ＨＴＳ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｈｔｓ．ｓｐ．ｎｉｔｅｃｈ．ａｃ．ｊｐ／． ［１０］ ＺＥＮ Ｈ，ＴＯＫＵＤＡ Ｋ，ＭＡＳＵＫＯ Ｔ，ｅｔ ａ１．Ｈｉｄｄｅｎ ｓｅｍｉ－Ｍａｒｋｏｖ ｍｏｄｅｌ 允许的平均误差范围 ＝ １１・２４ ｍｓ）总的平均 ｂａｓｅｄ ｓｐｅｅｃｈ ｓｙｎｔｈｅｓｉｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｐｏｋｅｎ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ．２００４． ——ｌＯ１１ ＲＩｔ 切分准确度 ＝而ｉ＝８８・７４％。 ［１１］ ＺＥＮ Ｈ．Ｆｕｎｄａｍｅｎｔａｌｓ ａｎｄ ｒｅｃｅｎｔ ａｄｖａｎｃｅｓ ｉｎ ＨＭＭ・ｂａｓｅｄ ｓｐｅｅｃｈ ； ｓｙｎｔｈｅｓｉｓ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｌｏｒｉｅｎ．ｄｉｅ．ｕｐｍ．ｅｓ／～ｌａｐｉｚ／ｒｔｔｈ／ＪＯＲ・ 由上述数据对比得知，基于三音素ＨＭＭ模型的自动切分 ＮＡＤＡＳ／ＶＩ／ｐｄｆｓ／００４９．ｐｄｆ． 准确度和一致性比基于单音素ＨＭＭ模型的要高，因此在构建 ［１２］ ＴＯＫＵＤＡ Ｋ，ＹＯＳＨＩＭＵＲＡ Ｔ，ＴＡＫＡＳＨＩ Ｍ，ｅｔ ａ１．Ｓｐｅｅｃｈ ｐａｒａｍｅ— 藏语语料库时通过三音素ＨＭＭ模型自动切分可以大大提高 ｔｅｒ ｇｅｎｅｒａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ＨＭＭ—ｂａｓｅｄ ｓｐｅｅｃｈ ｓｙｎｔｈｅｓｉｓ［Ｃ］／／Ｐｒｏｃ 准确性。 ｏｆ ＩＥＥＥ Ｉｎｔｅｍａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ，ａｎｄ Ｓｉｎｇａｌ Ｐｒｏｃｅｓｓｉｎｇ．２０００：１３１５．１３１８． ４结束语 ［１３］吴义坚．基于隐马尔可夫模型的语音合成技术研究［Ｄ］．合肥：中 本文对藏语音素采用两种自动切分方法进行实验对比，发 国科学技术大学，２００６． （上接第３２７１页） 算机应用研究，２０１０，２７（７）：２５２０—２５２２． 参考文献： ［６］ ＺＨＯＵ Ｋａｎｇ，ＴＯＮＧ Ｘｉａｏ－ｊｕｎ，ＸＵ Ｊｉｎ．Ｃｌｏｓｅｄ ｃｉｒｃｌｅ ＤＮＡ ａｌｇｏｒｉｔｈｍ ｏｆ ［１］张桂刚，李超，张勇，等．一种基于海量信息处理的云存储模型研 ｃｈａｎｇｅ ｐｏｓｉｔｉｖｅ—ｗｅｉｇｈｔｅｄ Ｈａｍｉｌｔｏｎ ｃｉｒｃｕｉｔ ｐｒｏｂｌｅｍ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ 究［Ｊ］．计算机研究与发展，２０１２，４９（ｓ１）：３２－３６． Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，２００９，２０（３）：６３６—６４２． ［２］刘蓉．基于ＧＳＩ的网格授权网络安全体系研究与实现［Ｊ］．信息安 ［７］ ＨＥ Ｓｈｅｎｇ—ｘｕｅ，ＦＡＮ Ｂｉｎｇ—ｑｕａｎ．Ｇｅｎｅｒｌａｉｚｅｄ ｗａｒｄｒｏｐ ｐｒｉｎｃｉｐｌｅ ａｎｄ ｉｔｓ 全与技术，２０１２，３（５）：２８—３２． ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｒｅｇｉｏｎａｌ ｔｒａｎｓｐｏｒｔａｔｉｏｎ［Ｊ］．Ｔｒａｎｓ ｏｎ Ｒｅｓｅａｒｃｈ Ｒｅ－ ［３］朱珠．基于Ｈａｄｏｏｐ的海量数据处理模型研究和应用［Ｄ］．北京： ｃｏｒｄ，２００８，５（１）：４９—５６． 北京邮电大学，２００８． ［４］苏频．基于ＤＦＳ的并行粒度计算模型及其应用［Ｄ］．苏州：苏州 ［８］ ＺＨＯＵ Ｋａｎｇ，ＧＡＯ Ｚｕｎ—ｈａｉ，ＸＵ Ｊｉｎ．Ａｎ ａｌｇｏｒｉｔｈｍ ｏｆ ＤＮＡ ｃｏｍｐｕｔｉｎｇ 大学，２００７． ｏｎ ０—１ｐｌａｎｎｉｎｇ ｐｒｏｂｌｅｍ［Ｊ］．Ａｄｖａｎｃｅｓ ｉｎ Ｓｙｓｔｅｍｓ Ｓｃｉｅｎｃｅ ａｎｄ ［５］温重伟，李荣均．改进的粒子群优化模糊Ｃ一均值聚类算法［Ｊ］．计 Ａｐｐｌｉｃａｔｉｏｎｓ，２００５，５（４）：５８７—５９３．
