智能家居環(huán)境中個性化語音生成關鍵技術研究.pdf

1、隨著物聯網的發(fā)展，各種智能家電如音像設備、照明系統(tǒng)、安防系統(tǒng)、自動控制門窗及環(huán)境自動調節(jié)系統(tǒng)、多功能家用機器人等，通過家居網絡平臺構建了舒適的智能家居環(huán)境。智能家居的普及大大方便了人們的生活。
　　智能家居網絡平臺中的語音控制技術提高了人與智能家居的信息交互能力和方便性。隨著語音識別技術的應用，越來越多的智能家電逐步支持語音控制的能力，目前最新的研究是如何讓家居網絡平臺使用對話系統(tǒng)，讓智能家居設備使用與家庭成員相同特征的語音和使用

2、者進行交互，使這些設備具備個性化語音發(fā)聲的能力，從而提高智能家居使用的趣味性和幸福感。由于家庭成員的語音特征各不相同，此方面的研究仍是一個難題。
　　語音合成技術是語音技術研究的一個重要組成部分，個性化語音生成是語音信號處理領域中一個相對較新的分支。通過個性化語音生成技術，就可以使用目標對象少量的語音數據，生成出具有目標對象個性化特征的語音。目前基于智能家居環(huán)境中個性化語音生成技術的研究，存在著當目標對象只有有限的采樣語音數據情況

3、下，由于樣本數據庫較小及計算能力有限，生成出來的語音有機械感，在聲調和頻譜上失真，語音的自然度和相似度指標低，更不能實現轉換輸出多種語音或多種方言。所以，研究個性化語音生成技術具有重要的應用價值。
　　目前，在個性化語音生成方法中，以Tokuda、Huang為代表的基于隱馬爾可夫模型（Hidden Markov Models，HMM）建模是主流的語音生成方法，但該方法中的混合激勵模型中的參數采用了經驗值估測，導致生成參數不精確。并

4、且該模型中源說話人自適應特征訓練過程不夠優(yōu)秀，損失了說話人的聲學特征差異，導致頻譜語音特征參數不準確，因此語音的自然度和相似度指標低，需要進一步研究如何提高合成語音的質量。而且在智能家居語音生成技術中，使用多方言和智能家居實現人機對話，方便使用和具有親切感，因此研究多方言的轉換技術具有十分重要的意義。
　　基于以上情況，本文圍繞個性化語音生成技術主流的合成模型進行研究，提出了自適應方法和聲音轉換新技術，主要的研究內容如下：

5、　　為了提高個性化語音生成的自然度和相似度，減少語音的失真程度，本文改進了混合激勵模型中參數的獲取方法，以及混合激勵模型中的各個帶寬的濁音周期性比例提取方法，并將混合激勵參數與頻譜參數相結合，改進了隱馬爾可夫模型的混合激勵機制，該機制能明顯地改善生成語音的質量。最后，實驗結果表明了本文改進方法的正確性和有效性。
　　針對隱馬爾可夫模型中，源說話人自適應特征訓練過程不夠優(yōu)秀，導致損失說話人聲學特征差異的問題，本文提出了基于時變雙線性

6、函數的頻率彎折方法，改進了源說話人自適應特征訓練過程。通過將傳統(tǒng)方法與頻譜彎折方法進行實驗對比，表明本文提出的頻率彎折方法可以使源語音頻譜更接近目標語音頻譜，減少說話人聲學特征的損失，所生成的語音在自然度和相似度上均得到提升。
　　為了解決智能家居語音生成技術中多方言的轉換問題。本文在分析了經典說話人轉換技術的基礎上，提出了基于神經網絡的跨方言說話人轉換系統(tǒng)框架，基于該框架，使用一種預訓練方法，完成了基于語音序列感知的神經網絡建模

7、。本文實驗是以普通話和上海話的轉換為例，驗證了可以解決個性化語音生成技術中多方言的轉換問題。實驗結果顯示該方法是可行的。
　　本文的主要創(chuàng)新研究成果如下：
　　第一，本文首次系統(tǒng)地分析比較了在混合激勵模型中兩種周期性比例的提取方法：梳狀濾波器、歸一化相關系數，并通過基于隱馬爾可夫模型的語音合成實驗，證明了使用混合激勵模型合成的語音質量得到了顯著地提高。
　　第二，本文提出的基于頻率彎折的說話人自適應方法，可以顯著提升個

8、性化語音生成的自然度和相似性。相較于傳統(tǒng)方法，本文的方法具有如下創(chuàng)新點：
　　1）在源說話人和目標說話人間引入了最小化加權對數譜距離準則，取代使用最大似然準則對源說話人特征進行轉化，這一準則的應用提高了所生成的個性化語音在感知上的相似度。
　　2）引入雙線性彎折函數對頻域和時域進行平滑轉化，函數采用基于幀的彎折因子，更好地保留了語音時變的特征。
　　3）重新訓練后的源說話人隱馬爾可夫模型獲得了更好的初始化。
　　

9、第三，本文首次提出了跨方言語音特征學習模型的方法和準則，實現了不同地方語言的說話人轉換。其創(chuàng)新點主要體現在以下三個方面：
　　1）將獨立于語言的頻率彎折方法應用在跨方言的說話人轉換中，從而大大地降低了所需的訓練數據量和計算復雜度；
　　2）在神經網絡訓練中采用了預訓練，從而使神經網絡的權重能得到比隨機初始化更好的起點，從而提高了神經網絡訓練算法的收斂速度；
　　3）提出了基于語音序列感知的訓練準則，該準則能最大限度地減