基于音段式LMR对映之语音转换方法的改进-Associationfor.PDFVIP

Proceedings of the Twenty-Fifth Conference on Computational Linguistics and Speech Processing (ROCLING 2013) 基於音段式 LMR 對映之語音轉換方法的改進 Improving of Segmental LMR-Mapping Based Voice Conversion Methods 古鴻炎 張家維 Hung-Yan Gu Jia-Wei Chang 國立臺灣科技大學 資訊工程系 Department of Computer Science and Information Engineering National Taiwan University of Science and Technology e-mail: {guhy, m9815064}@.tw 摘要 基於線性多變量迴歸(linear multivariate regression, LMR)頻譜對映之語音轉換方法，轉換 出的頻譜包絡仍然存在過度平滑(over smoothing)的現象，因此本論文研究在音段式 LMR 頻譜對映之前加入直方圖等化(HEQ)的處理，並且在 LMR 頻譜對映之後加入目標 音框挑選的處理，希望藉以提升轉換出語音的品質。在此，直方圖等化處理包含兩個步 驟，首先是把離散倒頻譜係數(DCC)轉換成主成分分析(PCA)係數，接者把 PCA 係數轉 換成累積密度函數(CDF)係數；目標音框挑選則是依據一個音框的音段類別編號、及 LMR 對映出的 DCC 向量，到目標語者相同音段類別所收集的音框群中，去搜尋出距離 較小的目標語者 DCC 向量、並且取代原先對映出的 DCC 向量，如此以避免發生頻譜 包絡之過度平滑現象。對於直方圖等化與目標音框挑選，我們以外部(未參加模型參數 訓練)平行語料來量測語音轉換之平均 DCC 誤差，當加入直方圖等化後會使誤差值變大 一些，而當加入目標音框挑選後則會使誤差值變大得更多。不過，VR (variance ratio)值 量測及主觀聽測的結果卻是相反的方向，亦即直方圖等化可使語音品質提升一些，而目 標音框挑選則可使語音品質獲得更為明顯的提升。這種誤差距離值和語音品質聽測之間 的不一致性，我們設法去尋找了它的原因，所找到的一個理由在內文裡說明。 關鍵詞：語音轉換，線性多變量迴歸，直方圖等化，目標音框挑選，離散倒頻譜係數 一、緒論 把一個來源語者(source speaker)的語音轉換成另一個目標語者(target speaker)的語音，這 種處理稱為語音轉換(voice conversion)[1, 2, 3] ，語音轉換可應用於銜接語音合成處理， 以獲得多樣性的合成語音音色。去年我們曾嘗試以線性多變量迴歸(linear multivariate regression, LMR)來建構一種頻譜對映(mapping)的機制[4] ，然後用於作語音轉換，希望 藉以改進傳統上基於高斯混合模型(Gaussian mixture model, GMM)之頻譜對映機制[3] 常遇到的一個問題，就是轉換出的頻譜包絡(spectral envelope)會發生過度平滑(over smoothing)的現象。我們經由實驗發現，音段式(segmental) LMR 頻譜對映機制不僅在平 均轉換誤差上可以比傳統 GMM 頻譜對映機制獲得一些改進，並且轉換出語音的音質也 90 Proceedings of the Twenty-Fifth Conference on Computational Linguistics and Speech Processing (ROCLING 2013) 比傳統 GMM 對映的稍好一些。不過，整體而言音段式 LMR 對映機制所