apple watch歷代比較的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

利用深度學習之中文文字轉語音系統

為了解決apple watch歷代比較的問題，作者周采蓁 這樣論述：

目錄指導教授推薦書口試委員審定書誌謝 iii中文摘要 ivABSTRACT v目錄 vi圖目錄 ix表目錄 xi第一章 緒論 11.1 研究背景與動機 11.2 研究目的 5第二章 相關文獻探討 62.1 文字轉發音模型 62.2 Bidirectional Encoder Representations from Transformers 112.3 文字轉語音系統 132.3.1 傳統方法 132.3.2 深度學習方法 14第三章 研究方法

223.1 系統架構 223.2 訓練資料收集 233.2.1 文字發音資料庫 243.2.2 語音資料庫 263.3 文字轉發音模型 273.3.1 序列轉序列模型 293.3.2 BERT模型 313.4 特徵預測網路 323.5 聲碼器 34第四章 實驗結果與分析 374.1 實驗環境 374.2 訓練資料收集 384.2.1 文字發音資料庫 384.2.2 語音資料庫 384.3 文字轉發音模型實驗結果

404.4 中文文字轉語音系統 424.4.1 語音評分系統 444.4.2 實驗結果 474.4.2.1 合成時間 474.4.2.2 平均主觀意見分數 47第五章 結論與未來展望 505.1 結論 505.2 未來展望 51參考文獻 53 圖目錄圖1 Apple Siri接收撥打電話之語音指令並進行操作 2圖2 透過卡內基美隆大學發音詞典將英文文字轉換成音素 6圖3 人工建立的「待」和「了」的發音判斷規則[9] 10圖4 BERT的預訓練和微調[15] 12圖5

拚接合成方法 14圖6 Deep Voice架構圖[29] 15圖7 Deep Voice 2架構圖[30] 16圖8 序列轉序列模型 18圖9 具有注意力機制的序列轉序列模型 19圖10 文字轉語音系統流程 20圖11 系統架構圖 23圖12 切割前小說內文示意圖 25圖13 切割後小說語句示意圖 25圖14 使用BERT預訓練模型執行Named Entity Recognition任務 28圖15 以序列轉序列模型作為文字轉發音模型 29圖16 循環神經網路 30圖17 長短期記憶模型 30圖18 以BERT模

型作為文字轉發音模型 31圖19 特徵預測網路 32圖20 Flow-based的生成模型 35圖21 訓練時，透過一系列可逆函數將X轉換成Z；生成時，透過一系列的反函數將Z轉換成Ｘ 35圖22 WaveGlow的訓練及測試示意圖 36圖23 特徵預測網路訓練示意圖 42圖24 聲碼器訓練示意圖 42圖25 語音評分系統 45 表目錄表1 歷代字典收錄之中文字數[7] 8表2 實驗環境 37表3 標貝中文標準女聲音庫資料規格 39表4 序列轉序列模型參數 40表5 BERT模型參數 40表6 文字轉語音模型發音預測結

果 42表7 語音主觀評分分數參考表 46表8 各個中文文字轉語音系統合成時間之比較 47表9 受測者基本資料統計 48表10 中文文字轉語音系統平均主觀意見分數暨其他系統比較 49