基于分段的說話人語音轉(zhuǎn)換技術(shù)的研究.pdf

1、隨著語音信號處理技術(shù)的不斷發(fā)展和人們對人工智能的不斷追求,說話人語音轉(zhuǎn)換技術(shù)成為了一個新的研究課題.說話人語音轉(zhuǎn)換技術(shù)是把源說話人說的語音轉(zhuǎn)換為象是目標說話人說的語音的技術(shù).說話人語音轉(zhuǎn)換具有廣泛的應用領(lǐng)域,比如文語轉(zhuǎn)換(Text—to—Speech,TTS)系統(tǒng)、配音系統(tǒng)和翻譯系統(tǒng)等.該文提出了一種基于分段的說話人語音轉(zhuǎn)換方法,這種方法適用于單語種和跨語種的說話人語音轉(zhuǎn)換,該文主要工作包括:(1)在基于分段的說話人語音轉(zhuǎn)換中,訓練語句

2、和轉(zhuǎn)換語句需要進行切分.為了完成對語句的切分,該文采用隱馬爾可夫模型的方法,利用HTK工具包分別實現(xiàn)了特定人語音切分系統(tǒng)和非特定人語音切分系統(tǒng).(2)該文提出了一種基于分段的說話人語音轉(zhuǎn)換方法.和以往的方法比較,這種基于分段的說話人語音轉(zhuǎn)換不要求源說話人和目標說話人是同樣的訓練語句,所以同時適用于單語種和跨語種的說話人語音轉(zhuǎn)換.在這種基于分段的說話人語音轉(zhuǎn)換中,該文采用"pitch+mel倒譜+MLSA濾波器"語音編碼器,提出了一種基于

3、修改mel倒譜和基音周期參數(shù)的說話人語音轉(zhuǎn)換方法.在對頻譜的轉(zhuǎn)換中,先對每段基本語音的mel倒譜參數(shù)訓練高斯混合模型,求出一個轉(zhuǎn)換函數(shù),然后用轉(zhuǎn)換函數(shù)對mel倒譜參數(shù)進行轉(zhuǎn)換.而基音周期的轉(zhuǎn)換則采用一個全局的轉(zhuǎn)換公式,對基音周期的數(shù)值和范圍進行修改.(3)該文運用所提出的基于分段的說話人語音轉(zhuǎn)換方法實現(xiàn)了單語種(英語)說話人的轉(zhuǎn)換.在單語種(英語)說話人語音轉(zhuǎn)換中,采用的語音段庫是41個單音素庫(包括一個靜音).通過分析元音轉(zhuǎn)換前后的F

4、FT頻譜,該文得出結(jié)論:轉(zhuǎn)換后的語音的FFT頻譜更接近于目標說話人語音的FFT頻譜.而且,通過主觀聽覺判斷,轉(zhuǎn)換后的語音更象是目標說話人的語音.因此說明這種基于分段的單語種(英語)轉(zhuǎn)換是有效的.(4)為了實現(xiàn)跨語種(中英)說話人語音轉(zhuǎn)換,該文研究了中英文的語言特點,特別是兩種語言的單音素之間的異同點.通過比較,發(fā)現(xiàn)英文中大部分英語音素可以在中文中找到相對應的音素,有小部分的英文音素找不到中文對應的音素.為了實現(xiàn)這小部分中英文不對應的音素