頻率彎折對(duì)基于HMM TTS的說(shuō)話人轉(zhuǎn)換的改進(jìn).pdf

1、一個(gè)可訓(xùn)練的語(yǔ)音合成系統(tǒng)(TTS,TextToSpeech)可以合成高質(zhì)量的語(yǔ)音,來(lái)滿足一些一般的應(yīng)用需求。然而,在一些變化比較多的應(yīng)用中,我們希望能夠定制更多個(gè)性化的聲音。所以如何利用很有限的訓(xùn)練數(shù)據(jù)來(lái)得到一個(gè)新的聲音,并且保持原始語(yǔ)音的自然度和可理解程度,成為了一個(gè)新的挑戰(zhàn)。說(shuō)話人語(yǔ)音轉(zhuǎn)換可以用一種自然的,合乎邏輯的方法來(lái)有效的改變一個(gè)說(shuō)話人的聲音。基于隱馬爾可夫模型(HMM,HiddenMarkovModel)語(yǔ)音合成系統(tǒng)中的說(shuō)話

2、人轉(zhuǎn)換通常又叫做說(shuō)話人自適應(yīng)。
　　 說(shuō)話人聲道長(zhǎng)度規(guī)整(VTLN,VocalTractLengthNormalization)已經(jīng)被成功的運(yùn)用到語(yǔ)音識(shí)別中,用來(lái)對(duì)譜的特征做規(guī)整。VTLN通常用頻率彎折(例如雙線性轉(zhuǎn)換)來(lái)實(shí)現(xiàn)。在本篇論文中,我們用源說(shuō)話人和目標(biāo)說(shuō)話人的五個(gè)長(zhǎng)元音的前四個(gè)共振峰頻率值映射來(lái)完成頻率彎折。我們構(gòu)造的這個(gè)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(jié)合,來(lái)提升TTS中說(shuō)話人自適應(yīng)的性能。這個(gè)公式用來(lái)對(duì)原始說(shuō)話人頻譜的頻率值向目標(biāo)說(shuō)話人頻譜的頻率值做映射,實(shí)現(xiàn)對(duì)源頻譜的彎折。我們從彎折后的譜中提取參數(shù),用來(lái)訓(xùn)練源說(shuō)話人的模型,這個(gè)模型會(huì)與目標(biāo)說(shuō)話人更加接近。最后我們會(huì)用MLLR算法來(lái)對(duì)模型做自適應(yīng),以得到目標(biāo)說(shuō)話人的模型,從而可以合成目標(biāo)說(shuō)話人的聲音。
　　 試驗(yàn)中,我們?cè)凑f(shuō)話人的訓(xùn)練數(shù)據(jù)為4000句,目標(biāo)說(shuō)話人的自適應(yīng)數(shù)據(jù)為100句,每個(gè)說(shuō)話人有10句