详细解析WORLD语音合成系统的原理以及使用方法

WORLD是一个基于C语言的开源语音合成系统，语音合成主要包括波形拼接和参数合成两种方法，WORLD是一种基于vocoder的参数合成方法，它相比于STRAIGHT的优势是减少了计算复杂度，并且可以应用于实时的语音合成。由于STRAIGHT不是开源的系统，并且在WORLD论文中已经对比了WORLD相比于STRAIGHT无论是在合成的音频质量上还是合成速度上都处于领先优势，所以这里我不准备介绍STRAIGHT，我们今天主要讲一下WORLD语音合成系统的原理以及使用方法。

WORLD系统如下图所示，包含三个模块，分别是DIO、CheapTrick、PLATINUM，其中DIO的作用是用来估计一段波形的Fundamental Frequency(简称F0)，CheapTrick算法是根据波形和F0来计算spectral envelope，PLATINUM算法是基于波形、F0和spectral envelope来计算aperiodic parameter，下面我们来分别看这些参数的计算原理。

1. F0的计算

F0在维基百科中的定义是：当发声体由于振动而发出声音时，声音一般可以分解为许多单纯的正弦波，所有的自然声音基本都是由许多频率不同的正弦波组成的，其中频率最低的正弦波即为基音，而其他频率较高的正弦波则为泛音，即这些不同正弦波中的最低频率称为基频。F0是一种非常常用的可以表示声音的特征，在WORLD中，F0的计算是基于DIO算法，DIO算法主要包含如下三个步骤：

第一步：使用不同的截止频率的低通滤波器，如果滤波后的信号只包含基频，那么它就是一个正弦波，由于事先我们对F0并不知晓，需要多次试探，所以在这一步中会有很多不同截止频率的滤波器被使用；

第二步：计算每一个滤波后的信号中的候选基频以及可信度，由于只包含基频的信号应该是一个正弦波，因此如下图所示，四个区间的跨度应该基本相等，我们可以计算四个跨度的平均值，用这个值的倒数来表示候选基频。同时，计算这四个跨度的标准差来作为衡量基频可信度的指标，标准差越大，说明跨度长短差异较大，那么取此频率作为基频的可信度就较低。

第三步：选取可信度最高的候选基频作为最终的基频。

2. 用于估计频谱包络的CheapTrick算法

首先，我们需要明白什么是语音的频谱包络，语音是一个时序信号，例如对于一个采样频率为16kHz的音频文件，意味着在这个音频中，每一秒包含16000个采样点，这些采样点在计算机中以某种数据形式进行存储着（例如常见的有16bit整型），当我们使用矩形窗函数对一段音频进行处理，它就被划分成多个帧，于是得到了多个子序列，然后对每个子序列进行傅里叶变换操作，就得到了频率-振幅图，将这些图在时间维度上展现出来，就得到了这个语音文件的spectrogram。一张实际的spectrogram如下图所示。

频谱包络实际上是在一个频率-振幅图中，将每个频率共振峰用平滑的曲线连接起来，而这个平滑的曲线就是语音的频谱包络，下图展示了频谱包络在频谱图中的位置。

确定这个频谱包络的算法有很多，例如常见的是倒谱法（Cepstrum，有趣的是，cepstrum与spectrum两个单词只是开头四个字母翻转了位置而已，这其实也暗示了它们的物理含义有某种巧合的关联...），在WORLD中，使用的是CheapTrick算法来估计频谱包络，该算法工作流程如下：

首先，对信号添加Hanning window，然后对windowed之后的信号计算其功率，公式如下(1)所示；

其次，使用矩形窗函数对功率谱进行平滑化，公式如下(2)所示；

最后，计算功率谱的倒谱，并做倒谱提升，公式如下(3)(4)(5)(6)所示；

最终得到的Pl(w)就是我们所需要的频谱包络。

3. Aperiodic参数提取算法

aperiodic是与混合激励相关的参数，为了获得自然的声音，激励源不能只使用周期信号，也需要包含一些非周期信号。在WORLD中，aperiodic参数可以直接基于波形、F0、频谱包络来计算得到。这种算法叫做PLATINUM，它的工作流程如下：

首先，对波形添加宽度为2T0的窗函数，并计算得到其频谱X(w)；将X(w)除以最小相谱Sm(w)得到Xp(w)，公式如(11)所示;对Xp(w)进行逆iFFT，即可得到激励信号，公式如(10)所示；

最终的语音合成是通过将最小相谱与激励信号进行卷积得到。

最后，来看一下如何调用WORLD来合成一段语音以及合成的效果。WORLD源代码是基于C语言的，但是WORLD也有一个Python wrapper库——PyWorld，为了代码简洁起见，这里我们使用PyWorld来演示。

在终端运行pip install pyworld以及pip install soundfile即可安装PyWorld库，该库中提供了一个demo代码，可以用来演示语音合成。下面一段代码就是使用WORLD库来提取音频特征，并将此特征基于vocoder合成新的音频，原始音频和新的音频的波形图对比如下图所示。

#获取音频的采样点数值以及采样率x, fs = sf.read('utterance/vaiueo2d.wav')#使用DIO算法计算音频的基频F0_f0, t = pw.dio(x, fs, f0_floor=50.0, f0_ceil=600.0, channels_in_octave=2, frame_period=args.frame_period, speed=args.speed)#使用CheapTrick算法计算音频的频谱包络_sp = pw.cheaptrick(x, _f0, t, fs)#计算aperiodic参数_ap = pw.d4c(x, _f0, t, fs)#基于以上参数合成音频_y = pw.synthesize(_f0, _sp, _ap, fs, args.frame_period)#写入音频文件sf.write('test/y_without_f0_refinement.wav', _y, fs)

下图是原始波形与合成后音频的波形对比，上图是原始波形，下图是合成后的音频波形，可以看到，基本保持一致。由于公众号文章只能上传一段音频，因此这里我只能上传合成后的音频。

WORLD语音合成系统可以根据F0、spectral envelope、aperiodic三个参数来合成一段语音，因此，在前沿的语音合成研究中，会通过深度学习技术学习到一段文本所对应的这三个特征，然后借助WORLD合成为语音。