語音轉(zhuǎn)換技術(shù)研究.pdf

1、語音轉(zhuǎn)換技術(shù)指的是，將一個人（源說話人）所說的一段語音，經(jīng)過算法的自動修改，使其聽起來像另一個人（目標(biāo)說話人）所說的一樣，同時保持這段語音的內(nèi)容不變。
　　本文在對語音轉(zhuǎn)換基本理論進(jìn)行了研究之后，提出了基于稀疏非負(fù)矩陣分解（Sparse representation Nonnegative Matrix Factorization，SNMF）的語音轉(zhuǎn)換方法。然后在CMU ARCTIC語料庫的基礎(chǔ)上，將所提的SNMF方法與目前公認(rèn)的

2、基于ML-GMM（Maximum Likelihood Gaussian Mixture Model）的語音轉(zhuǎn)換方法進(jìn)行了比較，在主觀聽覺方面，該方法的轉(zhuǎn)換性能與ML-GMM相當(dāng)。并且在有限訓(xùn)練數(shù)據(jù)的情況下，將SNMF語音轉(zhuǎn)換方法與ML-GMM方法一起進(jìn)行對比實驗。結(jié)果顯示SNMF在確認(rèn)度方面超過72％，而ML-GMM只有不到28%。同時，SNMF的主觀聽覺質(zhì)量標(biāo)準(zhǔn)MOS為2.6，而ML-GMM的為1.8。相比之下，SNMF有更好的確認(rèn)

3、度和主觀聽覺質(zhì)量。
　　為了進(jìn)一步提升SNMF語音轉(zhuǎn)換系統(tǒng)的性能，降低其頻譜失真度，本文對SNMF提出了兩點改進(jìn)方案。其一，考慮到語音信號具有既復(fù)雜多變又普遍相似的特點，為了提高非負(fù)矩陣分解對信號潛在特征的挖掘能力，本文引入了kmeans聚類算法，得到kmeansSNMF語音轉(zhuǎn)換方法。該方法先對訓(xùn)練數(shù)據(jù)進(jìn)行聚類，然后再在每一類里進(jìn)行SNMF語音轉(zhuǎn)換。實驗證明，該方案極大的降低了SNMF的頻譜失真度，并使得SNMF語音方法能夠更加有

4、效的利用大量訓(xùn)練數(shù)據(jù)。
　　其二，考慮到幀間相關(guān)性在語音信號處理領(lǐng)域有非常重要的作用，本文引入了合成幀的概念，將前后連續(xù)的三幀組合成一個超幀，從而在kmeansSNMF的基礎(chǔ)上引入了幀間相關(guān)性。實驗結(jié)果表明，該方案進(jìn)一步降低了頻譜失真度，并且改善了轉(zhuǎn)換語音的自然度，提高了主觀聽覺質(zhì)量，其MOS值到達(dá)了3.78，優(yōu)于經(jīng)典的ML-GMM語音轉(zhuǎn)換方法的3.70。
　　受到SNMF語音轉(zhuǎn)換方法的啟發(fā)，在此基礎(chǔ)上，本文應(yīng)用聯(lián)合非負(fù)矩陣