基於离散倒频谱之频谱包络估计架构及其於语音转换之应用.PDF

基於離散倒頻譜之頻譜包絡估計架構及其於語音轉換之應用 A Discrete-cepstrum Based Spectrum-envelope Estimation Scheme and Its Application to Voice Transformation 古鴻炎 蔡松峰 Hung-Yan Gu and Song-Fong Tsai 國立台灣科技大學 資訊工程系 Department of Computer Science and Information Engineering National Taiwan University of Science and Technology e-mail: guhy@.tw 摘要 基於前人以離散倒頻譜來逼近頻譜包絡之觀念、及其穩定化係數值之求解方法，本 論文進一步研究實際實施時所面臨的兩個問題，其一是”頻譜峰點挑選”的問題，其二是 “頻率軸尺度轉換”的問題，對這兩個問題我們提出了不錯的解決方法，然後用以建構一 個頻譜包絡的估計架構(scheme) ，測試實驗顯示該架構所估計出的頻譜包絡，確實比原 始方法所估計出的準確不少。接著，我們應用所提出的頻譜包絡估計之架構，去製做出 一個語音轉換系統，經由頻譜包絡估計、頻譜包絡伸縮、基頻移動、和信號重新合成等 處理步驟，可把輸入語音信號的音色轉換成不同性別和年齡的其它音色。由聽測實驗的 結果顯示，我們的語音轉換系統，的確可有效地達成音色轉換的功能。 關鍵詞: 頻譜包絡, 離散倒頻譜, 語音轉換, 音色轉換 一、前言 這裡”頻譜包絡”指的是頻譜振幅包絡(magnitude-spectrum envelope) ，關於一個語音 音框的頻譜包絡的估計，先前研究者已提出了一些方法，例如基於線性預測編碼(linear prediction coding, LPC) 之方法[1, 2] ，以全極(all pole)模型之頻率響應曲線來逼近語音的 頻譜包絡，不過LPC 頻響(頻率響應)曲線，在一個共振峰頻率的附近會比理想的頻譜包 絡曲線低，而在頻譜變化較快速的頻率區段，則會比理想的頻譜包絡曲線高很多，如圖 1 裡一個/i/音音框的LPC 頻響曲線所示，所以LPC 頻響曲線和理想的頻譜包絡曲線之 間會存在著不能忽略的誤差，這樣的誤差在一些應用裡(如語音轉換) ，將會造成語音品 質的衰退。 除了LPC 之外，過去也有幾個以倒頻譜(cepstrum)為基礎的頻譜包絡估計方法被提 出，最簡單的一個是倒頻譜平滑法[1] ，此法只保留倒頻譜係數的前幾個，而把後面的 係數全部砍除(即令為0 值) ，再作離散傅利葉轉換(discrete Fourier transform , DFT) ，就 可得到平滑的頻譜曲線，如圖 1 裡下方的那一條平滑曲線，很明顯地這樣的一條頻譜曲 線並不是頻譜包絡，因為它走在原始 DFT 頻譜的波峰與波谷之間，而不是沿著波峰行 走。因此，Imai 和Abe 兩人提出一個以倒頻譜為基礎再作改進的方法[3, 4] ，稱為true envelope 估計法，然而此法的計算量很大而缺乏效率。另外，Galas 和 Rodet 兩人提出 以離散倒頻譜(discrete cepstrum )來估計頻譜包絡的觀念[5] ，後來Cappé 和Moulines 兩 人則提出穩定化(regularization)的技術[6] ，以解決使用離散倒頻譜來逼近頻譜包絡時所 遇到的困難。我們覺得基於離散倒頻譜之估計法是一個不錯的方法，因此就著手研究此 151 方法，並且設法解決實際使用時所遇到的問題。 dB