来源：期刊VIP网 时间：
作者：魏毅;赵思佳;司占军;
单位：天津科技大学人工智能学院;
摘要：传统的FastSpeech2虽然具有较高的生成效率和语音自然度，但在韵律建模方面仍有局限，尤其是缺乏语义和韵律之间的有效联系。为了提高合成语音在节奏表达方面的性能，本研究基于BERT预训练语言模型，提出了ProsodySpeech语音合成系统。通过引入了预训练语言模型适配器（Pre-trained Language Model Adapter,PLM Adapter）和语义-韵律映射网络（Semantic-Prosody Mapping Network,SPMN），并充分利用BERT提取的深层语义信息，增强对音高、能量和时长等韵律特征的控制能力。所提出的模型通过引入共享语义处理层、全局自注意机制和专门设计的拟声映射分支，实现了语义信息与拟声参数之间的有效对齐和映射。实验结果表明，本研究模型的平均意见得分（Mean Opinion Score,MOS）优于VITS和StyleTTS2，合成语音在节奏自然度和表现力丰富度方面具有较为明显的优势，更接近自然人语音的表达，语音节奏表达的有效性得到增强。
关键词：语音合成;;BERT;;FastSpeech2;;韵律增强
