語聲轉(zhuǎn)換系統(tǒng)的關(guān)鍵技術(shù)研究.pdf

1、在現(xiàn)代語音通信中，說話人的個(gè)性特征信息越來越得到了人們的重視，在通信中發(fā)揮著重要的作用，比如人們僅僅通過聲音就可以清楚地辨別出對(duì)方，可以說聲音是一個(gè)人的“語音名片”。語聲轉(zhuǎn)換是一種以說話人個(gè)性特征為主要研究對(duì)象的新興的語音技術(shù)，它的目標(biāo)是改變?cè)凑f話人語音中的個(gè)性特征信息，使之具有目標(biāo)說話人的個(gè)性特征，從而轉(zhuǎn)換后的語音聽起來就像是目標(biāo)說話人的聲音一樣，而其中的語義信息保持不變。隨著語音產(chǎn)品在現(xiàn)代社會(huì)中的日益推廣和普及，語聲轉(zhuǎn)換技術(shù)也將有著

2、越來越廣泛的應(yīng)用，它的研究與發(fā)展也日益受到國內(nèi)外學(xué)者的廣泛關(guān)注。一個(gè)有效的語聲轉(zhuǎn)換系統(tǒng)不僅要具有良好的轉(zhuǎn)換性能，同時(shí)也必須要有較高的語音質(zhì)量。影響語音說話人個(gè)性特征的因素非常復(fù)雜，但反映聲道特性的譜包絡(luò)是其中最為重要的影響因素。在語聲轉(zhuǎn)換系統(tǒng)中。譜包絡(luò)特征參數(shù)的轉(zhuǎn)換過程是系統(tǒng)的核心模塊。本文以語聲轉(zhuǎn)換中的譜包絡(luò)特征參數(shù)的轉(zhuǎn)換為主要研究目標(biāo)，圍繞這一目標(biāo)，做了如下幾方面的工作和貢獻(xiàn)。 論文首先通過語聲轉(zhuǎn)換系統(tǒng)的重大的應(yīng)用價(jià)值和重要

3、的應(yīng)用實(shí)例來闡述本文研究的出發(fā)點(diǎn)，接著簡要介紹了當(dāng)前語聲轉(zhuǎn)換的一些主要算法，并對(duì)各種算法進(jìn)行了分析和比較。為了能夠?qū)φZ聲轉(zhuǎn)換技術(shù)有一個(gè)較為深入的理解，還介紹了語聲轉(zhuǎn)換系統(tǒng)的基本原理以及一些相關(guān)的語音信號(hào)處理背景知識(shí)。 提出了一種基于典型相關(guān)分析(CCA)的譜包絡(luò)轉(zhuǎn)換算法。CCA是一種統(tǒng)計(jì)分析方法，它能夠很好地描述兩個(gè)多維向量空間的線性相關(guān)信息。在該算法中，首先利用動(dòng)態(tài)時(shí)間規(guī)整(DTW)方法對(duì)由源說話人特征參數(shù)和目標(biāo)說話人特征參數(shù)

4、進(jìn)行對(duì)齊，形成聯(lián)合特征參數(shù)空間，接著使用高斯混合模型(GMM)對(duì)該空間進(jìn)行建模。在GMM的每個(gè)子空間里，采用CCA來估計(jì)源說話人特征參數(shù)與目標(biāo)說話人特征參數(shù)之間的映射關(guān)系，從而得到每個(gè)子空間內(nèi)的轉(zhuǎn)換函數(shù)，最后根據(jù)源說話人特征參數(shù)在各子空間中的后驗(yàn)概率對(duì)各個(gè)轉(zhuǎn)換函數(shù)進(jìn)行加權(quán)求和，得到整個(gè)空間的特征參數(shù)轉(zhuǎn)換函數(shù)。實(shí)驗(yàn)結(jié)果表示，該算法的轉(zhuǎn)換效果要好于基于最小均方誤差估計(jì)(MMSE)的轉(zhuǎn)換算法。 CCA轉(zhuǎn)換算法中的轉(zhuǎn)換函數(shù)式是加權(quán)求均值

5、的形式，這種對(duì)頻譜進(jìn)行加權(quán)求平均的操作會(huì)使得語音的共振峰特性弱化，譜包絡(luò)形狀過于平滑。另外，在進(jìn)行轉(zhuǎn)換時(shí)，是對(duì)每幀語音進(jìn)行處理，沒有考慮到幀間的相關(guān)信息。這些都會(huì)降低轉(zhuǎn)換后語音的質(zhì)量，為了減少這些影響，本文采用維特比算法對(duì)CCA轉(zhuǎn)換系統(tǒng)進(jìn)行改進(jìn)。在改進(jìn)的算法中，用GMM對(duì)目標(biāo)說話人特征參數(shù)進(jìn)行分類，繼而得到一個(gè)特征參數(shù)的轉(zhuǎn)移概率矩陣，該轉(zhuǎn)移概率矩陣用于表示語音幀間的相關(guān)信息。采用由轉(zhuǎn)移概率和源說話人特征參數(shù)的后驗(yàn)概率所構(gòu)成的函數(shù)作為優(yōu)化

6、目標(biāo)，用維特比算法搜索最佳路徑時(shí)，從而在整體上為待轉(zhuǎn)換語句的每幀語音尋找最優(yōu)的子空間轉(zhuǎn)換函數(shù)，這樣每幀語音就是單一形式的轉(zhuǎn)換函數(shù)。 當(dāng)前的語聲轉(zhuǎn)換算法基本上都是建立在對(duì)稱語音庫的情況下，它要求源說話人和目標(biāo)說話人錄制語句內(nèi)容相同的語音。但在有些應(yīng)用場合，并沒有這樣的語音庫，為了解決這個(gè)問題，提出了一種基于混合線性變換(Ms-LT)的轉(zhuǎn)換算法。Ms-LT算法沿用了上述線性遞歸變換形式的轉(zhuǎn)換函數(shù)式，在源說話人特征參數(shù)的每個(gè)GMM子空