[Public1]洛天依音库总结Stamp 2012-8-11s

最近几天空闲时在研究WinIME的API和用MMV研究普通话语音的录音带结构，WinIME的多音字转换问题和长句语义分析基本搞定了，不过天依酱的普通话发音貌似大家都比较感兴趣，虽然不是什么很好的建议，但是咱总结出几点收获总结如下，希望能和各位共同进步吧~（大师可以绕路了~咱是还是初学者~）
1.VOCALOID3 可以多音节拼写，Po2貌似也可以，不过效果不怎么好。也就是说英文发音什么的还是可以凑合实现在一个音符里的(x-sama），比如HAPPY的发音大概是：x a i p_h i，VEL调到最高，然后POI和PIT用降调式~~
  SO，如果你嫌弃VOCALOID的发音太正的话不妨加一些辅音到里面，比如"揪"的标准音是ts\ i@U，但是因为辅音延音的原因听上去像是(基-欧）的音，所以把i@U替换成o 将双元音断裂成三元音是有效滴。再比如四川那嘎达方言里的发音“勺”，实际发音为（烧u），那么在sha的音阶后面加入单元音u大概就能出来这个音了~。记得IV有篇帖子说日常发音中ang eng ong ing 等发音最后会有中音n，其实呢~尾音加入n也是可以的，从原来的meng->m @N 变成 meng->m @N n ,舒服多了吧！

2.音调什么的唱歌的时候看上去其实没有太厉害的用处，一般用来念诗~（额，做了一个DEMO，能听了~效果还是有点硬硬的~跟GOOGLE那个音调差不多，难道是因为采样的原因？）。其实呢，我个人见解是在写歌词的时候我们本身就需要注意发音的音调问题，古代有种说法叫吟诗作对，歌词本身某种意义上也算的上是按“节奏”来打的一种长短句了，所以我们有时候在听一些中文原意翻唱的时候会感觉很伪和，因为在节律上，某一个音在音高播表上呈现降调式，但是在中文歌词这里却是个升调式，然后听上去这个音节就会很别扭，跟走了音似得。所以中文歌曲歌词本身就要符合歌曲的“平仄”走向，因此听上去似乎所有歌曲的歌词都是没有声调的- -。
BUT，VOCALOID的采样明显是平声采样，天依的采样数更是尤其的少（不知道是我测试的方法不对还是什么原因x-sama的音标能发出音覆盖率不足10% ，我是用程序合成出大部分独立发音的x-sama声音组合的16分音符，然后让天依唱，最后用WAV分析器计数波峰总数/音符数)。但是在实际唱歌中，天依酱唱歌是有音调出现的，所以抱怨YAMAHA没有对中文音调分析的说法其实是愿望他们了，但是从算法层面上来猜测，天依的音调是根据音节的音高拟合的（彻底分析VSQX结构会直到，每一个琴键对应一个两位数的值，60是C3），大家可以试试，假如我们需要发音 wei1 shen3 me0，然后设置音高为：E3 B2 C#3，那么实际发音结果会是wei4 shen3 me,所以，大概可以猜想其实VO3的实际音准时长为90%-98%，前后各1%-5%为音调的贝塞尔曲线平滑浮动空间，而实际的发音音长则为100%+向后衍生5%低音量拟合，（有兴趣的去拿AU做做实验，挺好玩的）。
当然，这些只是各种Fantasy~，真正的原理只有YAMAHA的开发者知道
但是这样就可以基本解决问题了
音调这些东西与其说是发音，不如说是我们在发音的半途改变了原本的声音。
那么发出音调就可以有两种方案：A：改变PIT+POR，利用频率计数器来改变 B：改变音高，利用YAMAHA的拟合曲线完成
首先说说A方案：
      A方案根据MMV的采样输出结果看还是很平滑的
        POR曲线很稳定，相当的稳定，因为是平调朗诵不是唱诗的原因，这个基本没变化，当然咱很高兴看到这个，因为这说明音调和POR没有绝对的关联（其实不可能没有，但是看上去不是那么重要）
        PIT曲线很有意思，一音基本上是直线(PIT=0)，但是在四分音符开始以上，尾部1/3-4/5处开始出现了正弦态波动（以四分音符为准，以下同），也就是说在四分音符开始就会有颤音了，但是尾部明显有颤音消失~
                                      二音是一个二次抛物曲线，从音起点开始直接定位在1500左右，然后下降到1/3时长附近归到原点（定点），接着开始走二次曲线上升沿在6500左右结束，用直线简化的话直接从1/4处开始直线上升到6500结尾，效果基本上可以接受，前面的少量下降沿基本确定是辅音的音区（后面B方案测出来的~）
                                      四音和二音类似，看上去也是个抛物线，不过**的是他只有一点，很明显，多读几次就会发现我们其实不怎么喜欢降调拉的很长~大部分时候调子降下去尾音跟的很短。所以朗诵态的四音也包含了这个特典，在前1/3基本上没有PIT变化，2/2之后的部分的1/2由一个倒立的二次抛物曲线下降沿组成，起点为0（定点），然后圆滑的下降到-5000结束，然后PIT值会直接上升回到0点。不过拉长音的时候我依然觉得从第一个16分音符时长点直线下降PIT效果更好~
                                      三音放在最后的原因是它没有变化，或者说是MMV根本没提取出三音，三音的人声发音节点竟然在DYN？！这让我百思不得其解了半天，后来自己录了一遍才发现，MMV认定音高竟然是以中值来确定的，于是乎，三音因为中间音节为全声最低调，所以悲催的被降调N阶处理了~，实际的三音经过拟合发现它由3部分组成，起点为0：前1/4的中心点大约在2000附近，尾部1/4的中心点也差不多在2000附近，以两个中心点为端点，以1/2时长处为顶点（-5000），整个3音的中部是一个大的平滑的坑。我用(0,0) (0.125l,2000) (0.5,-5000) (0.875l,2000) (l,-3000) 5个点进行4次方函数拟合，出的图形独立发音还能接收的说~(如果粘连音就难受了~PBS一会儿说）
          DYN曲线基本上来说发音都是一个效果的，我们往往觉得声音有时候很小很难调，尤其DYN调整的时候，给我感觉DYN和WAV发音播表振幅不是1/1对应关系，而是一个引导关系，看上去大概相当于曲线的中切线或者是线性方程的系数。所以当你前一区域的DYN调整的很高的时候，在下一区域的银两你会明显感觉到声音貌似变小了很多很多，然后过了一会儿银两才会起来，尤其是唱完高潮后低起的时候（比如D4->E3过度）,看起来除了三音以外，其他的音起点都是0，然后在一个1/64音符时长内迅速攀升到100前后，然后根据不同音调波动一下，比如一音和二音就是平稳的，四音在后1/2开始缓慢的降低，最后在最后一个1/64音符时长处归0。很显然所有的音节最后尾部都尽量归到0，对平衡整体的音量和发音效果很有用，回想以前调<啦啦>的时候貌似也这么做的来着，虽然当时是想弄促音，也算歪打正着了。三音和一音二音的区别就是它有两个波峰，跟骆驼似地，成M型，而且前锋比后峰高，当然中部不用落到0，40前后就差不多了，回想以下无论是PIT还是DYN，三音貌似都是被拆分成一个4音+2音的组合看待的，比如想(xiang3)，在VC里按照(1/3)Xia4+(2/3)Ang2看待和理解似乎更合适一些。
       PBS曲线在用A方案时候采样普遍是PBS很高的值，虽然它也影响了声调，但是貌似作用还不只这些，VOCALOID的发声原理和十大参数我也只理解了几个熟悉的，PBS实在是用的少了些，但是尝试几次，PBS除了音阶变化外，貌似还对过度音产生了变化，比如一音一般在PBS=2-4之间发音就很不错，PBS=4-5是属于2音和4音的，3音则必须在PBS=4-6的时候才有很好的效果，我实验的时候四个音按1234码在一起，PBS=2464的结果感觉好一些，但是在试颂“登鹳雀楼”的时候明显PBS=4，并设置三音PBS=6效果才能顺耳点儿~

        A方案挺复杂，但是调节参数的话对整体乐谱的控制压力要小的多，但是这很不灵活，PIT曲线涉及属性太多了，像咱比较喜欢清脆活泼音色的家伙，什么都没干的时候就会先PIT调高，直到音色感觉舒服了，然后才调别的参数，好吧，这时候就悲剧了，前几天试着鼓捣欧若拉~PIT舒服的时候已经6000+了，控制音降还好，控制上升音高什么的，算了，我还是去画晴天娃娃比较现实……
        B方案是做猫耳开关的时候弄双原音用的，后来在对A方案采样结果建模的时候突然有了这个想法，好吧，思路很简单，给一个音拆分成三连音，And~开始调音调把
        不管你是做什么发音，一音可以不动，当然如果出现降调什么的（比如上面提到的wei1->wei4）的问题，那么在尾部加入1/64分音符，设置发音为"i\"（其实任何一个发不出的音都OK)，让那个音代替你去升降调吧！

        二音和四音先等分2分，然后把原因和辅音拆开分别填进去，然后调节下两个音符的时长，最后拖动下后面的音符的高低- -
        三音和二音方法相同，只不过拆成3份而已，调节中间的音高和尾部的结束音高（中间一定比尾部低）
        至于拆音节什么的~と~用助音符号拆长元音会有很不错的效果哦~



3.发音符号~
    VC的发音符号很少~少的可怜~可怜的要死，SO 拆音节活着拼音的话相比也比较吃力。我导出了一部分，粘下面，有兴趣的自己分析下吧~~


基本发音符号（以中文汉语拼音发音为准）：

b  发音:  p
p  发音:  p_h
m  发音:  m
f  发音:  f
d  发音:  t
t  发音:  t_h
n  发音:  n
l  发音:  l
g  发音:  k
k  发音:  k_h
h  发音:  x
j  发音:  ts\
q  发音:  ts\_h
x  发音:  s\
z  发音:  ts
c  发音:  ts_h
s  发音:  s
r  发音:  z`
y  发音:  i
w  发音:  u
a  发音:  a
o  发音:  o
e  发音:  7
i  发音:  i
u  发音:  u
v  发音:  y
zh  发音:  ts`
ch  发音:  ts`_h
sh  发音:  s`
ai  发音:  al
ei  发音:  ei
ui  发音:  uei
ao  发音:  AU
ou  发音:  @U
iu  发音:  i@U
ie  发音:  iE_r
ve  发音:  yE_r
er  发音:  @`
an  发音:  @_n
en  发音:  @_n
in  发音:  i_n
un  发音:  u@_n
vn  发音:  y_n
ang  发音:  AN
eng  发音:  @N
ing  发音:  iN
ong  发音:  UN


固定发音音组：

zhi  发音:  ts` i`
zh  发音:  ts` i`
chi  发音:  ts`_h i`
ch  发音:  ts`_h i`
shi  发音:  s` i`
sh  发音:  s` i`
ri  发音:  z` i`
r  发音:  z` i`
zi  发音:  ts i\
z  发音:  ts i\
ci  发音:  ts_h i\
c  发音:  ts_h i\
si  发音:  s i\
s  发音:  s i\
yi  发音:  i
wu  发音:  u
yu  发音:  y
ye  发音:  iE_r
yue  发音:  yE_r
yuan  发音:  y{_n
yin  发音:  i_n
yun  发音:  y_n
ying  发音:  iN
eng  发音:  e @N
ong  发音:  o UN


b  发音:  p o
p  发音:  p_h o
m  发音:  m o
f  发音:  f o
d  发音:  t 7
t  发音:  t_h 7
n  发音:  n 7
l  发音:  l 7
g  发音:  k 7
k  发音:  k_h 7
h  发音:  x 7
j  发音:  ts\ i
q  发音:  ts\_h i
x  发音:  s\ i


so  发音:  s @U
of  发音:  @U f

A  发音:  ei
B  发音:  p i
C  发音:  s 7 i
D  发音:  t i
E  发音:  i
F  发音:  a i f
G  发音:  ts` i` i
H  发音:  ts`_h
I  发音:  ai
J  发音:  ts` ei
K  发音:  k_h ei
L  发音:  a l u
M  发音:  a l m
N  发音:  en
O  发音:  o
P  发音:  p_h i
Q  发音:  k_h 7 i @U
R  发音:  a @`
S  发音:  aI s i\
T  发音:  t_h i
U  发音:  i@U
V  发音:  uei
W  发音:  t a p u l i@U
X  发音:  aI k_h 7 s i\
Y  发音:  uaI
Z  发音:  ts ei



1  发音:  i
2  发音:  a @`
二  发音:  a @`
3  发音:  s a_n
4  发音:  s i\
5  发音:  u
6  发音:  l i@U
7  发音:  ts\_h i
8  发音:  b a
9  发音:  ts\ i@U
0  发音:  l iN

⑨  发音:  k_h 7 i @U







结语PS： 以上这些是最近分析并且已经实现到类里面了的，咱的工程也开始做WAV分析部分了，希望最后能整合出一个有用的东西来~。另外有需要VSQX的.NET XML序列化/反序列化模块 滴可以发信给我哦~
想做一个像太鼓达人或者说POPSUB风格的那种打节奏生成音符，然后根据追加输入的音高生成VSQX文件并且初步带上一些基本音调或者参数的玩意儿，希望大家能给点建议~~

ACGMIKU/IVOCALOID/ASCDM  同步PUBLIC
COPYRIGHT @PRIVATE 转载请声明

谢谢你，神贴！！！顶起

- -不说中文的四种声调，单纯PBS就只是影响PIT的极值范围的，
PBS=0时，PIT参数是无效的
PBS=1时，PIT的范围是半个音内滑动
PBS=2时，PIT的范围是一个音内滑动
PBS=4时，PIT的范围是两个音内滑动
所谓PBS对声音变化的影响其实真正影响的是PIT的升降频度，
我们用直线工具将PIT画一条斜线，虽然这条线外观上没变，但是因为PBS变了，PIT的范围变了，作用到输出后的wav上的斜率也就变了，所以会有不同值PBS时效果不同

至于中文声调的PBS值普遍偏高很好解释，因为声音起伏大所以需要pit的起伏大，而影响PIT起伏范围的就是PBS，这没什么特别的地方

至于PBS还有一个问题，建议连续几个音都有pit线变化时候最好使PBS保持统一。。。。在PIT线不为0的时候变化PBS会导致各种失真跑调，不过利用的好也能做出声调的变化。。。。。

其他写的挺好我就不说了，看LZ似乎对PBS参数不是很了解于是补充下。。。

rubino666 发表于 2012/8/12 13:24
- -不说中文的四种声调，单纯PBS就只是影响PIT的极值范围的，
PBS=0时，PIT参数是无效的
PBS=1时，PIT的范 ...

そが，わかりました

3L很详细的说明,总结一下,一个很简单的理解方式,PBS就相当于斜率

那个，对声调的讲法有点疑虑，lz能不能详细解释一下？
因为根据个人的了解，Vocaloid不是语声采样，而是歌声采样，所以对声调语言的音调其实应该是无视的，而是按照歌唱的调子选择采样音高进行吟唱采样。lz感觉到的音调应该是pit在字头字尾的微妙变化吧？
此外还有一个疑虑，按照lz对方案的说明，POR参数实际上是在lz的方案2中起到的作用比较大啊？

哦哦好厉害

很好学习了 楼主 最近没什么时间学啊 以后找时间学习

都是大神…………

略看不懂……

而且太长

好厉害好有气势的样子慢慢学习

好强。

反正我習慣用注音符號打字也習慣繁體0.....0碰到問題在在向各位大大請教哩

简直了，好叼

顶！！！！！！！！！

十分感谢！感觉很有帮助，最近在研究发音符号，发音符号表受益了~