基于分类线性加权的源-目标话者声音转换算法的研究 voice conversion from source speaker to target speaker based on classified linearly weighted transformation.pdfVIP

V01．13 第13卷第3期 电路与系统学报 No．3 ANDSYSTEMS 2008年6月 JOURNALOFCIRCUITS June，2008 文章编号：1007．0249(2008)03—0106·05 基于分类线性加权的源一目标话者声音转换算法的研究· 张剑， 戴蓓蓓， 孙俊， 陆伟， 李辉 (中国科学技术大学电子科学与技术系，安徽合肥230026) 摘要。源一目标话者的声音转换是一种变换说话人声音特性的技术，它将源说话人的声音转换成另一个指定的目 标说话人的声音。对源话者声道谱特性的修改是声音转换的关键之一。为了克服一般分类线性转换算法中分类不准确 所带来的误差，本文引入了分类线性加权转换的策略，根据不同子类的转换函数对谱特性的贡献，赋予不同的加权系 数，给出了一种基于GMM后验概率加权的线性转换算法。在微软汉语普通话语音数据库上做的四组对比实验表明， 该算法在谱转换性能上均有不同程度的提高。 关键词。声音转换；源一目标话者；声道谱转换；高斯混合模型；分类线性转换；分类线性加权转换 中图分类号·TN912．34文献标识码。A 1 引言 声音转换【l】(Voice 话者)的语音模式转换为与其特性不同的另一个人(常称之为目标话者)的语音模式。一般认为，语 音信号中至少包含以下三个方面的信息：语义信息、说话人特征信息和说话环境信息。声音转换就是 要在保持语义信息和说话环境信息的前提下，改变语音信号的说话人特性，使得转换后的语音具有目 标话者的声音特点，实现的是与文本无关的、源一目标话者的特定人的转换，而非一般意义上的声音 改变。该技术是对语音合成技术的丰富和延拓，有着广泛的应用前景【2’3】，例如：个性化文语合成系统 的制作；多说话人语音语料库的采集和传输；娱乐和教育领域内个性化配音的产生。另外，语言障碍 者的辅助发音系统、语音识别过程中的预处理也可看见声音转换技术的应用。 一个完整的声音转换系统包括三个部分：特征参数的提取和建模、映射(转换)函数的获取、转 换语音的合成。声音的产生机理表明，语音信号可看成是激励源信号通过一个线性时变系统产生的输 出。这样，说话人个性就分别反映在激励源信息和声道信息上。其中，声道信息主要由声道转移函数 的谱特性反映，精确地实现源一目标说话人谱特性的转换，是得到高质量的转换重建语音的关键。本 文的工作集中在声道谱特性的转换算法上，介绍了分类线性的声道转换算法，在此基础上引入分类线 性加权的算法思想，根据各子类的转换函数对谱转换的贡献来赋以不同的加权系数，这样就避免了分 类不准带来的误差，一定程度上提高了算法的精度和鲁棒性。由于训练转换算法的过程，本质上是一 个规则的统计过程，它对训练数据集有很强的依赖性，本文最后实验讨论了谱转换质量与训练集大小 的关系。 2 分类线性转换算法(CLT) 为实现与文本无关的声音转换，需将语音分帧处理，并从每帧语音信号中提取出特征参数，进而 在帧级总结出映射规则。如果对每帧语音都推导出一个规则，则因规则过多而使算法复杂度大，同时 由于语音的易变性，几乎不可能找到完全相同的语音帧，这种以帧获取的规则无法推广到其它帧，所 以必须采取分类策略，将某些属性相近的帧归为一类，以类获取映射规则。声音转换算法分为训练和 转换两个阶段。在训练阶段，取源、目标话者语音的文本内容相同，用动态时间归整(DTW)算法将 两者时间对齐，使得归整后的特征参数矢量序列长度相等，再按某种最优准则以类获取映射规则，常 ‘收稿日期·2005-05·16修订日期：2005．07．02 万方数据 第3期 张剑等：基于分类线性加权的源一目标话者声音转换算法的研究 用的最优准则为最小均方误差(MSE)准则。对于某个特定的子类，假设(为，J，，)为归整后该类中任意 一个特征参数对，则使下式取最小值的函数F为所求的该类转换函数，其中以)表示对式子取期望。 占=E(IIYi—