頻率彎折對基于HMM TTS的說話人轉(zhuǎn)換的改進(jìn).pdf

1、一個可訓(xùn)練的語音合成系統(tǒng)(TTS,TextToSpeech)可以合成高質(zhì)量的語音,來滿足一些一般的應(yīng)用需求。然而,在一些變化比較多的應(yīng)用中,我們希望能夠定制更多個性化的聲音。所以如何利用很有限的訓(xùn)練數(shù)據(jù)來得到一個新的聲音,并且保持原始語音的自然度和可理解程度,成為了一個新的挑戰(zhàn)。說話人語音轉(zhuǎn)換可以用一種自然的,合乎邏輯的方法來有效的改變一個說話人的聲音?；陔[馬爾可夫模型(HMM,HiddenMarkovModel)語音合成系統(tǒng)中的說話

2、人轉(zhuǎn)換通常又叫做說話人自適應(yīng)。
　　 說話人聲道長度規(guī)整(VTLN,VocalTractLengthNormalization)已經(jīng)被成功的運用到語音識別中,用來對譜的特征做規(guī)整。VTLN通常用頻率彎折(例如雙線性轉(zhuǎn)換)來實現(xiàn)。在本篇論文中,我們用源說話人和目標(biāo)說話人的五個長元音的前四個共振峰頻率值映射來完成頻率彎折。我們構(gòu)造的這個頻率彎折函數(shù)將與最大似然線性回歸(MLLR,MaximumLikelihoodLinearRegr

3、ession)算法相結(jié)合,來提升TTS中說話人自適應(yīng)的性能。這個公式用來對原始說話人頻譜的頻率值向目標(biāo)說話人頻譜的頻率值做映射,實現(xiàn)對源頻譜的彎折。我們從彎折后的譜中提取參數(shù),用來訓(xùn)練源說話人的模型,這個模型會與目標(biāo)說話人更加接近。最后我們會用MLLR算法來對模型做自適應(yīng),以得到目標(biāo)說話人的模型,從而可以合成目標(biāo)說話人的聲音。
　　 試驗中,我們源說話人的訓(xùn)練數(shù)據(jù)為4000句,目標(biāo)說話人的自適應(yīng)數(shù)據(jù)為100句,每個說話人有10句