Festival 2.4:为什么有些声音不支持唱歌模式?

festival 2.4: why do some voices not work with singing mode?

voice_kal_diphonevoice_ral_diphone 在歌唱模式下正常工作(有声音输出,指定音符的音高是正确的)。

voice_cmu_us_ahw_cg和其他CMU语音无法正常工作--有人声输出但音高没有根据指定的音符改变。

是否可以使用更高质量的 CMU 语音获得正确的输出?

工作(受音高影响)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

这里是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>

您可能还需要此补丁 singing-mode.scm:

@@ -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))

为了设置我的环境,我使用了 festvox fest_build script. You can also download voice_cmu_us_ahw_cg separately

看来问题出在phone一代。

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 phone intonation/duration:可能你注意到在生成的 'song'.

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。在 ClusterGen 模型波发生器的情况下,由于不同的模型,简单地忽略 Target 中设置的音节频率和持续时间。

因此我们有更好的语音质量(基于统计模型),但不能直接改变频率。

可以找到关于生成管道的非常好的描述 here