基于聲道譜特性的源-目標說話人聲音轉換算法的研究.pdf

1、源—目標說話人聲音轉換技術是指將源說話人的語音模式轉換成某個特定的目標說話人的語音模式，即保持源說話人原有的語義信息不變，使轉換后的語音具有目標說話人的聲音特點。 語音信號中的說話人特征是體現(xiàn)在激勵源和聲道兩方面的，本文在語音的線性預測分析/合成的模型框架下，著重研究了源—目標說話人聲道譜特性的與文本無關的映射規(guī)則的獲取方法。另外，在具體實現(xiàn)聲音轉換時，也考慮了聲源信息的部分轉換。 為實現(xiàn)與文本無關的源—目標說話人聲音轉

2、換，并使獲取的轉換規(guī)則具有可實現(xiàn)性和推廣性，本文采用了對特征參數(shù)矢量空間進行分類的策略，以類特征參數(shù)子空間獲取轉換規(guī)則，詳細探討了碼本映射方法和分類線性映射方法，并就其中分類數(shù)對轉換效果的影響、分類算法的選取等關鍵問題做了深入的實驗分析。 為了克服分類不準確所導致的轉換效果變差，同時希望在一定的分類數(shù)下能獲取盡可能多的轉換規(guī)則，以實現(xiàn)對源—目標話者的映射關系更精確的描述，本文給出了一種基于GMM的分類線性加權映射方法。該方法通過

3、對特征參數(shù)空間的統(tǒng)計特性分布的描述，實現(xiàn)對特征空間的“軟”分類，一定程度上克服了分類偏差導致的譜轉換誤差加大，并提高了譜轉換方法的魯棒性；另一方面它利用概率加權可組合成遠大于類別數(shù)的規(guī)則，從而獲取更好的轉換效果。 本文對映射方法中常用的最小均方誤差準則做了改進，提出了一種加權的最小均方誤差訓練準則，通過引入加權矩陣，實現(xiàn)了對話者個性貢獻大的特征矢量集和特征參數(shù)分量的更精確的轉換，進而提高了轉換后的聲道譜的目標說話人傾向性。