《表1 合成音频的MOS值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《端到端闽南语合成系统的设计与实现》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：Integration代表融合框架；T2代表Tacotron2框架；C代表字符嵌入；P代表音素嵌入．

在MOS评测方面，邀请了20位厦门地区人士，其中男性10名，女性10名．对每个系统100句共400句测试语句进行主观打分．根据合成音频得到的MOS值如表1所示．综上所述，在加入位置敏感注意力和停止令牌这两个模块的融合框架下，采用字符嵌入方式和16kHz采样率时，合成音频达到了3.81的MOS值．当采样率增加到44.1kHz，MOS值增加到4.08，说明增加采样率可以提高合成效果．当采样率16kHZ，采用字符嵌入方式的Tacotron2框架时，MOS值也能达到4.05，说明相对于Tacotron框架，Tacotron2框架在编码器和解码器上的结构调整有一定的优化作用．因此本文最终选用Tacotron2作为闽南语的语音合成系统．