基于聲道參數(shù)建模和變換的語音轉(zhuǎn)換技術(shù)研究.pdf

1、語音轉(zhuǎn)換技術(shù)是語音信號處理領(lǐng)域近年來新興的研究分支，自從被提出以來就體現(xiàn)出強(qiáng)大的生命力，具有廣泛的應(yīng)用前景（例如多語種翻譯、多媒體娛樂等等）。語音轉(zhuǎn)換的總體目標(biāo)是：在保持語義內(nèi)容和情感信息不變的情況下，通過改變一個(gè)源說話人的話音個(gè)性特征，使他（或她）說的話被聽者認(rèn)為是另一個(gè)目標(biāo)人說的話。簡而言之，語音轉(zhuǎn)換的主要任務(wù)包括提取源和目標(biāo)說話人的特征參數(shù)并確定它們之間的映射關(guān)系，然后將這種映射關(guān)系應(yīng)用到新的源語音上，讓其變得聽起來就像是目標(biāo)人發(fā)

2、出的聲音。在這一過程中，既要保持重構(gòu)語音的聽覺質(zhì)量，又要兼顧轉(zhuǎn)換后的目標(biāo)人個(gè)性特征是否準(zhǔn)確。
　　 本論文以說話人識別和語音合成技術(shù)為背景，著重研究特定說話人語音轉(zhuǎn)換系統(tǒng)中關(guān)于說話人聲道譜參數(shù)的建模方法和參數(shù)映射等問題，并在此基礎(chǔ)上進(jìn)一步探討現(xiàn)實(shí)環(huán)境中當(dāng)訓(xùn)練語音數(shù)據(jù)稀少時(shí)，仍能保證語音轉(zhuǎn)換系統(tǒng)穩(wěn)定有效工作的方法。具體來說，論文主要工作和創(chuàng)新如下：
　　 （1）針對經(jīng)典語音轉(zhuǎn)換系統(tǒng)存在的“轉(zhuǎn)換后的聲道譜參數(shù)過于平滑”的缺點(diǎn)

3、（即“幀內(nèi)缺陷”），①提出用最大似然準(zhǔn)則代替最小均方誤差準(zhǔn)則來估計(jì)轉(zhuǎn)換函數(shù)的參數(shù)，將統(tǒng)計(jì)模型的協(xié)方差信息考慮進(jìn)來并和均值一起進(jìn)行建模。②提出用殘差碼書補(bǔ)償?shù)姆椒▉砜朔咚够旌夏Ｐ图訖?quán)帶來的平滑效應(yīng)。③在分析了線性譜頻率參數(shù)特性的基礎(chǔ)上，提出將其分成一小段一小段分別建模和轉(zhuǎn)換的思想。主觀和客觀實(shí)驗(yàn)測試結(jié)果表明：改進(jìn)算法使經(jīng)典語音轉(zhuǎn)換系統(tǒng)得到了增強(qiáng)，既提高了轉(zhuǎn)換后的語音與目標(biāo)說話人個(gè)性的相似程度，又改善了合成語音的音質(zhì)。
　　 （2

4、）針對經(jīng)典語音轉(zhuǎn)換系統(tǒng)對連續(xù)的語音幀“孤立”建模和轉(zhuǎn)換的缺陷（即“幀間缺陷”），提出了利用狀態(tài)空間模型代替?zhèn)鹘y(tǒng)的高斯混合模型，進(jìn)而映射聲道譜參數(shù)的算法。首先，本論文提出將狀態(tài)空間模型引入語音轉(zhuǎn)換領(lǐng)域，并利用其特點(diǎn)來解決經(jīng)典系統(tǒng)存在的問題，這一想法在本領(lǐng)域尚屬首創(chuàng)（目前本領(lǐng)域用來對聲道譜參數(shù)建模的模型主要為高斯混合模型和隱馬爾可夫模型）。其次，論文在分析了狀態(tài)空間模型的數(shù)學(xué)性質(zhì)和模型特征的基礎(chǔ)上，結(jié)合特定的場景賦予其模型參數(shù)一定的物理意義

5、。再次，論文設(shè)計(jì)了一套全新的、基于狀態(tài)空間模型的聲道譜參數(shù)訓(xùn)練和轉(zhuǎn)換算法。最后，相關(guān)實(shí)驗(yàn)證明：基于狀態(tài)空間模型的語音轉(zhuǎn)換系統(tǒng)，無論是在參數(shù)動態(tài)特性的跟蹤方面，還是在聲道譜參數(shù)的轉(zhuǎn)換方面，都取得了良好的效果。此外，主觀聽覺測試分亦比較理想，均優(yōu)越于同等條件下的經(jīng)典系統(tǒng)的性能。
　　 （3）現(xiàn)實(shí)條件下，目標(biāo)人的語音數(shù)據(jù)往往收集的不完全或收集到的很少，即訓(xùn)練數(shù)據(jù)量稀少。在這種情況下，原本在實(shí)驗(yàn)室環(huán)境能正常穩(wěn)定工作的語音轉(zhuǎn)換系統(tǒng)就會出現(xiàn)