基于声道谱特性的源-目标说话人声音转换算法的研究

• 作 者: 张剑
• 机 构: 中国科学技术大学
• 出 处: 中国科学技术大学
• 发表日期: 2006年期
• 关键词: 声道谱特性 声音转换算法 语音模式 语音信号

源—目标说话人声音转换技术是指将源说话人的语音模式转换成某个特定的目标说话人的语音模式，即保持源说话人原有的语义信息不变，使转换后的语音具有目标说话人的声音特点。
语音信号中的说话人特征是体现在激励源和声道两方面的，本文在语音的线性预测分析/合成的模型框架下，着重研究了源—目标说话人声道谱特性的与文本无关的映射规则的获取方法。另外，在具体实现声音转换时，也考虑了声源信息的部分转换。
为实现与文本无关的源—目标说话人声音转换，并使获取的转换规则具有可实现性和推广性，本文采用了对特征参数矢量空间进行分类的策略，以类特征参数子空间获取转换规则，详细探讨了码本映射方法和分类线性映射方法，并就其中分类数对转换效果的影响、分类算法的选取等关键问题做了深入的实验分析。
为了克服分类不准确所导致的转换效果变差，同时希望在一定的分类数下能获取尽可能多的转换规则，以实现对源—目标话者的映射关系更精确的描述，本文给出了一种基于GMM的分类线性加权映射方法。该方法通过对特征参数空间的统计特性分布的描述，实现对特征空间的“软”分类，一定程度上克服了分类偏差导致的谱转换误差加大，并提高了谱转换方法的鲁棒性；另一方面它利用概率加权可组合成远大于类别数的规则，从而获取更好的转换效果。
本文对映射方法中常用的最小均方误差准则做了改进，提出了一种加权的最小均方误差训练准则，通过引入加权矩阵，实现了对话者个性贡献大的特征矢量集和特征参数分量的更精确的转换，进而提高了转换后的声道谱的目标说话人倾向性。
映射方法的获取过程实质就是一个统计学习的过程，它是在一定的训练集上总结出来的，故它对训练数据集有着较强的依赖性，本文对转换规则和训练集大小的关系也展开相应的实验研究。