Festival unit selection voice 缺少双音素：# hash

Question

一些背景：在尝试构建单位选择语音时，我遵循了此处的步骤：https://github.com/CSTR-Edinburgh/CSTR-Edinburgh.github.io/blob/master/_posts/2016-8-21-Multisyn_unit_selection.md and used a voice definition from here: https://raw.githubusercontent.com/CSTR-Edinburgh/merlin/master/egs/hybrid_synthesis/s1/voice_definition_files/unit_selection/cstr_us_awb_arctic_multisyn.scm。不幸的是，wavs 太吵了，所以我最终手动标记它们并跳过自动标记过程。

声音现在可以了，但还需要一些改进。经常发生的一个错误是节日报告 "Missing diphone" 任何暂停到 phone 的过渡，例如：

festival> (utt.relation.print (SayText "I can say anything I want.") 'Unit)
Missing diphone: #_ay
 diphone still missing, backing off: #_ay
 backed off: #_ay -> #_ax
 diphone still missing, backing off: #_ax
 backed off: #_ay -> #_#
 diphone still missing, backing off: #_#
 backed off: #_ay ->
Missing diphone: ey_eh
 Interword so inserting silence.
 diphone still missing, backing off: ey_#
 backed off: ey_eh -> ax_#
 diphone still missing, backing off: ax_#
 backed off: ey_eh -> #_#
 diphone still missing, backing off: #_#
 backed off: ey_eh ->
Missing diphone: #_eh
 diphone still missing, backing off: #_eh
 backed off: #_eh -> #_ax
 diphone still missing, backing off: #_ax
 backed off: #_eh -> #_#
 diphone still missing, backing off: #_#
 backed off: #_eh ->
Missing diphone: t_#
 diphone still missing, backing off: t_#
 backed off: t_# -> #_#
 diphone still missing, backing off: #_#
 backed off: t_# ->

我尝试用 pau 和 h# 替换标签中的 sil 和 sp（来自自动过程）（以便与festival/lib/radio_phones.scm)，我也尝试用 # 替换它们，但这并没有改变任何东西。来源 wav/labs 肯定包含上述转换（例如，几个以 "I can" 开头）但节日似乎从未使用过这些。

如何让节日在源数据中使用暂停到 phone 转换？

谢谢！

Answer 1

发生的事情是当我运行基于 Multisyn 单元选择的脚本 build_utts 部分失败并跳过，因为手工标记的标签与 Festival 的标签不完全匹配有预测。例如，如果演讲者说 "extreme" 为 eh k s ...，但 Festival 会计算 ih k s ...，则 build_utts 脚本将失败并出现如下错误：

align missmatch at ih (0.000000) eh (2.810566)

我手动运行每个 utte运行ce 的 build_utts 脚本并相应地调整了标签。如果你像我一样愚蠢到尝试给自己贴上一些对我有帮助的提示：

考虑删除任何 phone 闭包，例如 t_cl 或 d_cl，因为当它试图匹配
确保在每个 utte运行ce 的开始和结束处有一个暂停（即 #），因为 build_utts 脚本不会报错关于它，但是当运行 Festival 中的声音时，您会收到如下错误：
```
        -=-=-=-=-=- EST Error -=-=-=-=-=-
        {FND} Feature end not defined

        -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
```

感谢@NikolayShmyrev 为我指明了正确的方向。他还建议使用 Ossian 而不是 Festival，后者使用 python 而不是 Festival 相当困难的代码。

Festival unit selection voice 缺少双音素：# hash

Festival unit selection voice Missing diphone: # hash

text-to-speech

festival