美国 Scicon R&D 语音合成软件 SynthWorks

SynthWorks 是 Scicon R&D Inc. 面向 Mac 与 PC 的基于 KLATT 的共振峰语音合成软件,厂商现仍在售,价格表售价 495.00 美元(Windows 版 PCSW、Mac OS 版 IMSW);仅以下载方式交付,不提供介质。 采用 Klatt 共振峰合成,可用电子表格或图形方式处理最多 48 个参数,支持 Parallel only 与 Cascade-Parallel 模式;参数包括 8 个共振峰频率、带宽、幅度和各类源参数;读入 *.wav 语音模型后可直接提取音高、共振峰与幅度。 帧长可选,最小 1 毫秒,使用非 5 个共振峰时采样率自动调整;可对任一帧做 FFT/LPC 分析、比较修改前后的合成语音、将窗口导出为位图或 PICT 文件并直接激光打印。 标准交付为可下载的 SynthWorks 程序,随附示例文件与 Windows 2000/XP、Mac OSX 在线帮助;SynthWorks 升级授权为选配。

美国 Scicon R&D 语音合成软件 SynthWorks

仪器信息

品牌Scicon R&D
型号SynthWorks
分类语音合成软件
仪器编码united-states-scicon-r-and-d-speech-synthesizer-synthworks
在售状态在售
地区来源美国
更新时间2026-10-10
研究领域语音学与言语科学、社会语音学与社会语言学、言语感知研究、语音合成技术、实验语言学

技术参数

共 33 条规格记录

软件类型语音合成软件
订货号PCSW(Windows 版本)
订货号IMSW(Mac OS 版本)
升级订货号PCSW-UP(Windows 版本)
升级订货号IMSW-UP(Mac OS 版本)
软件版本2019(Mac OS 版本,2021 年 8 月 27 日发布)
软件版本2005(Windows 版本,2020 年 5 月 13 日发布)
合成原理基于 KLATT 的语音合成
合成器类型共振峰合成器
合成模式并行模式(Parallel only)、级联-并行模式(Cascade-Parallel)
参数数量上限48 个
可用参数类型八个共振峰频率、带宽与幅度控制,以及多种源参数
帧长用户可选,最小 1 ms
采样率自动调整功能使用多于或少于五个共振峰时,自动调整合成文件的采样率
数据录入方式电子表格、图形方式
电子表格数据操作功能支持编辑、行与列的添加与删除、打印等标准电子表格操作
锚点设置功能支持在任意重要帧上放置锚点
音高与共振峰轮廓编辑方式手绘,或描摹读入的 *.wav 音频模型的音高图与声谱图
模型音频特征提取功能支持读入音频文件作为模型并直接提取音高、共振峰、幅度等主要参数
合成语音对比功能支持修改前与修改后合成语音的对比
FFT/LPC 分析功能支持对原始与合成音频的任意帧进行 FFT/LPC 分析
音频模型文件格式*.wav
合成音频输出文件格式*.wav
合成参数文件格式*.stk
窗口导出格式bitmap(PC(Windows)版本)
窗口导出格式PICT(Mac 版本)
跨平台用户界面一致性PC 与 Mac 版本的界面(LOOK-N-FEEL)一致
跨平台文件互换性PC 与 Mac 之间文件完全互换
在线帮助功能支持(Windows 2000/XP 与 Mac OSX 平台)
操作系统兼容性Windows 2000/XP、Mac OSX
操作系统兼容性Snow Leopard 及以上(Mac 版本 1208(2012 年 6 月 18 日发布))
加密狗兼容性不兼容加密狗(dongle)版本(Windows 版本 1206(2012 年 4 月 16 日发布))
打印输出功能支持直接打印至高分辨率激光打印机

相关实验室

以下机构来自本仪器关联论文的作者署名,不代表已确认采购或持有该仪器。

美国俄克拉何马州立大学

地区:美国

署名作者:瓦莱丽·弗里曼

研究方向:软腭前元音合并、太平洋西北部英语、合并感知、进行中的音变

关联论文 1 篇

实验方法

研究方向:基于Klatt共振峰模型的合成语音刺激制作、进行中音变的元音合并产出与感知研究、二维共振峰空间(F1×F2)感知实验、合成元音的强制选择词汇辨认、美国太平洋西北地区英语的方言变异

基于SynthWorks的Klatt共振峰合成元音刺激网格制作实验

方法说明:该实验使用SynthWorks(Scicon R&D,美国)这一基于Klatt共振峰模型的语音合成软件,在Mac台式计算机上制作一套完全人工合成的CV音节刺激。研究者先以一名模型说话人的自然元音空间为参照,在F1×F2二维共振峰平面上按等间距布点(F1每级间隔75 Hz,F2每级间隔150 Hz),覆盖前元音区域共24个刺激点;再在SynthWorks中以11 025 Hz采样率逐点合成以/b/起始、后接稳态元音的刺激,从而把除F1、F2之外的全部声学参数(基频走势、时长、F3与前三共振峰带宽等)严格控制为常量,以便在后续感知实验中单独分离F1与F2的作用。

实验仪器:SynthWorks 语音合成软件 SynthWorks;Mac 台式计算机;Praat 语音分析软件 5.3.53

实验步骤

  1. 确定合成刺激的共振峰取值网格

    说明:以模型说话人的自然元音分布与椭圆参考范围为依据,在F1×F2平面上划定覆盖前元音区域的取值范围,并按等间距离散化为若干刺激点,剔除与后元音区重叠的中央取值,最终保留24个刺激点。

    关键点:F1相邻取值间隔75 Hz、F2相邻取值间隔150 Hz;网格必须与模型说话人真实元音空间对齐,保证合成刺激落在可被词汇化解读的区域内。

  2. 在SynthWorks中设定合成器的全局参数

    说明:在Mac台式计算机上启动SynthWorks,选择Klatt合成模式,设定采样率为11 025 Hz,并规划每个刺激的时间结构:10 ms的/b/爆破释放段、40 ms的浊音过渡段、120 ms的稳态元音段,总时长170 ms。

    关键点:采样率固定为11 025 Hz;三段式时间结构在全部24个刺激间完全一致,只让F1、F2取值发生变化。

  3. 设定基频与共振峰辅助参数

    说明:为每个刺激设定基频从100 Hz线性上升至110 Hz的轻微升调轮廓;F3以及前三个共振峰的带宽B1、B2、B3按Johnson等(1993)使用的公式由F1、F2推算并写入SynthWorks的参数表。

    关键点:基频轮廓统一,避免音高成为额外辨认线索;F3与带宽由F1、F2推导而非随意设定,保证合成音的自然度与网格内部一致性。

  4. 逐点合成并导出刺激音频

    说明:在SynthWorks的电子表格式参数界面中逐帧写入各刺激的共振峰轨迹(元音段为稳态、无共振峰移动),逐个合成并导出为音频文件,形成完整的24个刺激集合。

    关键点:元音段共振峰保持稳态;利用SynthWorks可逐帧(最小可至1 ms)编辑参数的特性精确控制过渡段与稳态段的边界。

  5. 刺激核验与入库

    说明:对合成结果逐个试听并用声学分析核对实际输出的共振峰值是否与设定值一致,确认刺激在F1×F2平面上的分布与设计网格吻合后,导入感知实验程序备用。

    关键点:核验合成输出与设定参数的一致性,是保证后续把听辨结果直接绘制到F1×F2平面上的前提。

实验数据

合成刺激的共振峰参数表

数据来源:在SynthWorks参数编辑界面中为24个刺激点设定并导出的F1、F2、F3与B1、B2、B3数值

实验样本:F1取值区间约250~775 Hz(步长75 Hz)、F2取值区间约1500~2550 Hz(步长150 Hz),共24个(F1,F2)组合

数据呈现:在F1×F2二维平面上以散点形式绘制刺激网格,并叠加模型说话人的自然元音分布

合成刺激的时间与基频结构数据

数据来源:SynthWorks中设定的分段时长与基频轮廓参数

实验样本:/b/释放段10 ms、浊音过渡段40 ms、稳态元音段120 ms,总时长170 ms;基频由100 Hz线性升至110 Hz

数据呈现:绘制基频随时间变化的曲线与分段时间轴示意图

合成语音波形与频谱数据

数据来源:SynthWorks以11 025 Hz采样率输出的合成音频文件

实验样本:单个刺激为时长170 ms的合成CV音节音频

数据呈现:波形图与宽带语图(声谱图)显示

方法关联论文:软腭前元音合并的产出与感知:基于 Pillai 分数与混淆矩阵的二维对照

二维共振峰空间元音强制选择辨认感知实验

方法说明:该实验以SynthWorks合成的24个F1×F2网格刺激为材料,在隔声室内对20名西雅图地区英语母语者施测五选一强制选择词汇辨认任务。实验分为普通条件(/b_d/语境:bad、bed、bayed、bid、bead)与软腭前位条件(/b_ɡ/语境:bag、beg、bagel、big、beagle)两种标注条件,每个条件下每个刺激重复呈现三次。由于刺激本身是按共振峰坐标合成的,听者的每一次范畴标注都可直接回映到F1×F2平面上,从而与同批被试的元音产出数据采用完全相同的核密度等高线、线性判别分析混淆矩阵与Pillai分数进行统一量化比较。

实验仪器:SynthWorks 语音合成软件 SynthWorks;PsychoPy 心理学实验呈现软件;按键反应盒;环耳式耳机;隔声室;头戴式电容传声器 C520;火线音频接口/调音台 Profire 610;Sound Studio 录音软件 3.5.7;iMac 一体式台式计算机 iMac;Praat 语音分析软件 5.3.53;R 统计分析软件

实验步骤

  1. 招募并分组被试

    说明:招募20名来自西雅图地区的英语母语者,按年龄分为年轻组(20余岁,6人)、中年组(40余岁,5人)与年长组(60余岁,9人),以便考察进行中音变的代际差异。

    关键点:按年龄分层是检验音变是否跨代推进的关键设计;被试须同时参与产出与感知两部分,才能在个体内部做产出—感知比较。

  2. 搭建实验环境与呈现系统

    说明:被试坐于隔声室内的计算机屏幕前,佩戴环耳式耳机,手边放置ioLab Systems按键反应盒;使用PsychoPy程序呈现由SynthWorks合成的刺激并采集按键反应。

    关键点:隔声室与环耳式耳机保证听音条件一致;按键反应盒配合PsychoPy可获得精确的反应记录。

  3. 实施强制选择词汇辨认任务

    说明:在普通条件(/b_d/)与软腭前位条件(/b_ɡ/)下分别施测:屏幕给出五个候选词,被试听到合成刺激后按键选择所听到的词。每个区块以独立随机顺序呈现全部24个刺激,刺激间隔600 ms,每种标注条件共72次呈现。

    关键点:两种语境条件使用同一套合成刺激,仅改变候选词集合,从而把语境效应与刺激声学差异彻底分离;随机化顺序避免序列效应。

  4. 给出统一指导语

    说明:告知被试每个刺激都是一个被从中间截断的词的前半部分,要求其"在保证准确的前提下尽可能快地"按键,并在不确定时选择"最先想到的那个词"。

    关键点:强调速度与直觉反应,抑制被试做过度推理,使反应更接近自动化的范畴归类。

  5. 汇总感知反应并投射到共振峰平面

    说明:把每次反应所对应刺激的F1、F2坐标与所选词的元音范畴配对,形成与产出数据格式一致的"元音范畴—F1—F2"数据集。

    关键点:感知数据与产出数据共用同一坐标系,是后续统一统计的前提。

  6. 统计分析与可视化

    说明:在产出与感知两个数据集、普通与软腭前位两种条件下,分别用R包MASS训练线性判别分析模型并生成混淆矩阵;用Pillai分数量化元音分布的重叠程度;用ggplot2的核密度等高线图呈现分布;通过对个体重抽样1000次的自举法估计所有Pillai分数、Pillai指数与相关系数的置信区间。

    关键点:Pillai分数能同时兼顾多维、偏态分布、密度不均与数据稀疏的情况;自举法为各项指标提供置信区间,使产出与感知的差异可做统计推断。

实验数据

五选一强制选择辨认反应数据

数据来源:PsychoPy记录的被试对SynthWorks合成刺激的按键选择

实验样本:每名被试在每种标注条件下完成72次呈现(24个刺激×3次),反应记为bad/bed/bayed/bid/bead或bag/beg/bagel/big/beagle之一

数据呈现:按元音范畴在F1×F2平面上绘制核密度等高线图

元音产出共振峰测量数据

数据来源:对话任务录音与词表朗读录音,经P2FA强制对齐、Praat脚本提取并人工校核

实验样本:对话语料约490个词例;词表任务共900个词例(软腭前位360个、齿龈前位540个),取元音中点的F1、F2

数据呈现:用phonR包按Nearey 2公式归一化后,在F1×F2平面绘制核密度等高线图

Pillai分数与置信区间

数据来源:以F1、F2为因变量、元音类别为自变量计算所得,并经自举重抽样估计

实验样本:取值范围0~1,数值越低表示两类分布越相似(合并程度越高);对每个年龄组及全体被试重抽样1000次

数据呈现:按年龄组与条件绘制带误差棒的点图进行对比

线性判别分析混淆矩阵

数据来源:用R包MASS在各数据集与条件下训练的判别模型输出

实验样本:以百分比形式给出各元音范畴之间的相互误判比例

数据呈现:以矩阵热力图或表格形式呈现

方法关联论文:软腭前元音合并的产出与感知:基于 Pillai 分数与混淆矩阵的二维对照

主要部件

暂未收录主要部件

相关论文

共 1 篇;当前显示第 1 页

软腭前元音合并的产出与感知:基于 Pillai 分数与混淆矩阵的二维对照

原文题名:Production and perception of prevelar merger: Two-dimensional comparisons using Pillai scores and confusion matrices

发表年份:2023

作者:瓦莱丽·弗里曼

刊源:Journal of Phonetics

DOI 10.1016/j.wocn.2023.101213
查看论文摘要与书目信息

摘要 · 中文整理:元音合并的产出通常以连续的声学量度来刻画,而音位感知的测量方法往往较为粗糙,这使得对进行中的合并现象难以在产出与感知之间做直接比较。本研究在二维共振峰空间(F1×F2)中实施感知实验,从而可以与产出数据在同一坐标系内统一绘图、量化并做统计。研究对 20 名说话人考察了太平洋西北部英语中一项由两部分构成的进行中软腭前合并:中前元音 /ɛ, e/ 在浊软腭音 /ɡ/ 前趋近或合并(leg–vague 合并),低前元音 /æɡ/ 则向其抬升(bag 抬升)。分布以核密度图可视化,重叠程度以 Pillai 分数以及线性判别分析模型给出的混淆矩阵加以量化。结果表明,leg–vague 合并在感知上被判定得比实际产出更为彻底(无论在样本内还是在言语社区层面),而 bag 抬升在产出上高度多变,在感知上却被拒斥。产出与感知的关系随年龄而异:在两代人之间,抬升与合并在产出上推进而在感知上并未推进;更年轻的成年人则在感知上接受 leg–vague 合并却并不这样产出,同时其(极弱的)抬升感知与 bag 抬升产出均存在个体差异。因此,软腭前抬升/合并可能在某些社会群体中正在推进,而在另一些群体中正在逆转。

原文摘要:Vowel merger production is quantified with gradient acoustic measures, while phonemic perception methods are often coarser, complicating comparisons within mergers in progress. This study implements a perception experiment in two-dimensional formant space (F1 × F2), allowing unified plotting, quantification, and statistics with production data. Production and perception are compared within 20 speakers for a two-part prevelar merger in progress in Pacific Northwest English, where mid-front /ɛ, e/ approximate or merge before voiced velar /ɡ/ (leg–vague merger), and low-front prevelar /æɡ/ raises toward them (bag-raising). Distributions are visualized with kernel density plots and overlap quantified with Pillai scores and confusion matrices from linear discriminant analysis models. Results suggest that leg–vague merger is perceived as more complete than it is produced (in both the sample and community), while bag-raising is highly variable in production but rejected in perception. Relationships between production and perception varied by age, with raising and merger progressing across two generations in production but not perception, followed by younger adults perceiving leg–vague merger but not producing it and varying in (minimal) raising perception while varying in bag-raising in production. Thus, prevelar raising/merger may be progressing among some social groups but reversing in others.

关键词:软腭前元音合并、太平洋西北部英语、合并感知、进行中的音变

研究目标:解决元音合并研究中产出测量为连续声学量、而感知测量多为粗糙范畴判断,导致二者难以直接比较的方法学问题,并据此检验太平洋西北地区英语软腭前位合并(leg–vague合并与bag抬升)在产出与感知上的进展是否同步。

主要结论:在二维共振峰空间中统一比较后发现,leg–vague合并在感知上比在产出上更为彻底;bag抬升在产出中变异极大,但在感知中被听者拒绝。产出与感知的关系随年龄分层而变化,说明该软腭前位抬升/合并在部分社会群体中仍在推进,而在另一些群体中可能正在逆转。

创新点:提出并实现了在F1×F2二维共振峰平面上开展感知实验的方法:用SynthWorks合成覆盖前元音区域的等间距共振峰网格刺激,使听辨反应可以像产出数据一样被绘制、用Pillai分数量化并做统计,从而首次让同一批说话人的产出与感知在同一度量体系中直接比较;同时引入线性判别分析混淆矩阵与自举置信区间来刻画合并程度。

后续建议:扩大样本量并在更多年龄层、社会阶层与地域中重复该二维感知范式,以提升群体层面结论的稳健性;在合成刺激中引入共振峰动态轨迹与时长变化,检验稳态刺激之外的动态线索对合并感知的影响;将同样的二维感知范式推广到其他元音合并(如pin–pen、cot–caught)以验证方法的普适性;增加反应时与眼动等在线加工指标,区分范畴判断结果与加工难度;采用纵向追踪设计,直接观察同一批说话人产出与感知随时间的共变关系

APA 引文:Freeman, V. (2023). Production and perception of prevelar merger: Two-dimensional comparisons using Pillai scores and confusion matrices. Journal of Phonetics, 97, 101213. https://doi.org/10.1016/j.wocn.2023.101213

仪器引用:Stimuli were created at a sampling rate of 11,025 Hz in SynthWorks (Scicon R&D, 2004), a Klatt-based synthesizer (Klatt, 1980), on a Mac desktop computer. Each stimulus began with a synthesized /b/ consisting of a 10-ms release and 40-ms voiced transition to the 120-ms steady-state vowel. Thus, the total duration for each stimulus was 170 ms.

仪器引用:Purely synthetic stimuli were created to control all parameters of the signal and isolate the effects of a static F1 and F2... Stimuli were created at a sampling rate of 11,025 Hz in SynthWorks (Scicon R&D, 2004), a Klatt-based synthesizer (Klatt, 1980), on a Mac desktop computer. ... Participants were seated in a sound-attenuated booth at a computer screen with circumaural headphones and an ioLab Systems button response box. PsychoPy was used to present stimuli and collect responses.

使用资料与操作视频

暂未收录使用资料