頻率彎折對基于HMM TTS的說話人轉換的改進.pdf

1、一個可訓練的語音合成系統(tǒng)(TTS,TextToSpeech)可以合成高質量的語音,來滿足一些一般的應用需求。然而,在一些變化比較多的應用中,我們希望能夠定制更多個性化的聲音。所以如何利用很有限的訓練數(shù)據(jù)來得到一個新的聲音,并且保持原始語音的自然度和可理解程度,成為了一個新的挑戰(zhàn)。說話人語音轉換可以用一種自然的,合乎邏輯的方法來有效的改變一個說話人的聲音?；陔[馬爾可夫模型(HMM,HiddenMarkovModel)語音合成系統(tǒng)中的說話

2、人轉換通常又叫做說話人自適應。
　　 說話人聲道長度規(guī)整(VTLN,VocalTractLengthNormalization)已經被成功的運用到語音識別中,用來對譜的特征做規(guī)整。VTLN通常用頻率彎折(例如雙線性轉換)來實現(xiàn)。在本篇論文中,我們用源說話人和目標說話人的五個長元音的前四個共振峰頻率值映射來完成頻率彎折。我們構造的這個頻率彎折函數(shù)將與最大似然線性回歸(MLLR,MaximumLikelihoodLinearRegr

3、ession)算法相結合,來提升TTS中說話人自適應的性能。這個公式用來對原始說話人頻譜的頻率值向目標說話人頻譜的頻率值做映射,實現(xiàn)對源頻譜的彎折。我們從彎折后的譜中提取參數(shù),用來訓練源說話人的模型,這個模型會與目標說話人更加接近。最后我們會用MLLR算法來對模型做自適應,以得到目標說話人的模型,從而可以合成目標說話人的聲音。
　　 試驗中,我們源說話人的訓練數(shù)據(jù)為4000句,目標說話人的自適應數(shù)據(jù)為100句,每個說話人有10句