中國科學技術大學聲音轉換的神經網絡建模方法研究.pdf

1、聲音轉換技術是在保持語義內容不變情況下，改變一個說話人語音中的個性信息使其具有另外一個說話人的發(fā)音特征。它是語音信號處理領域一個較新的分支。對這項技術的研究不僅對語音編碼、語音合成、語音增強和語音識別等語音信號處理領域具有促進意義，同時它還可以應用于多媒體娛樂、醫(yī)療、保密通信等方面具有廣泛的應用價值。基于高斯混合模型(Gaussian Mixture Model，GMM)的轉換方法是目前主流的聲音轉換方法。該方法采用統計建模的方式建立轉

2、換關系，具有相似度高、魯棒性好的優(yōu)點。但是其得到的轉換語音的音質受過平滑效應的影響仍有待提高。并且這種方法獲得的轉換模型是源和目標說話人相關的，針對新的轉換說話人對需要重新訓練模型，使得模型在使用靈活性上存在缺陷。
　　本文圍繞改善基于GMM模型的聲音轉換方法的轉換效果與提高轉換模型的使用靈活性兩方面展開研究?；贕MM模型轉換方法中的過平滑效應問題主要由兩個原因產生:1）建模采用的高層頻譜特征從原始頻譜上提取得到，特征的提取過程

3、導致頻譜細節(jié)信息丟失;2）GMM只能建立線性轉換關系，對源和目標頻譜特征的非線性轉換關系建模不足。為此，本文提出直接采用頻譜包絡特征進行建模。針對GMM模型對頻譜包絡特征建模困難的問題，本文提出了一種采用高斯型雙向聯想貯存器(Gaussian Bidirectional Associative Memory，GBAM)實現對源和目標頻譜包絡聯合特征建模的方法，提高了轉換語音的自然度和相似度。由于GBAM建立的仍然是源和目標頻譜包絡的線性

4、轉換關系，本文在受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)和伯努利型BAM(Bernoulli BAM，BBAM)基礎上進一步研究了一種基于產生式訓練的深度神經網絡模型（Generative Trained Deep Neural Network，GTDNN），這種模型可以建立源和目標頻譜包絡的非線性轉換關系，進一步提升了轉換語音的效果。此外，為了提高轉換模型的使用靈活性，本文提出基于多源說話人數