基于說話人轉(zhuǎn)換的語音識別方法.pdf

1、說話人轉(zhuǎn)換是語音信號處理領(lǐng)域中一個前沿的研究分支。說話人轉(zhuǎn)換就是對一個說話人(源說話人)的語音信號進行修改，在保留語音信號所表達的語義信息的前提下，使得修改后的語音信號聽起來像另外一個說話人(目的說話人)所說的。說話人轉(zhuǎn)換對語音分析、語音編碼、文語轉(zhuǎn)換、說話人識別和語音識別等領(lǐng)域都有重大的促進意義。 語音處理中廣泛使用的正弦+噪聲模型具有易于參數(shù)修改、合成音質(zhì)高的特點。該模型通過參數(shù)修改的方法，能夠較為方便地對語音信號各種特征的

2、進行修改。本文從正弦模型參數(shù)所體現(xiàn)的說話人特征著手，基于統(tǒng)計的方法，研究了基于正弦+噪聲模型的說話人轉(zhuǎn)換的方法，并將研究結(jié)果應用到語音識別中的說話人適應領(lǐng)域，引入了基于說話人轉(zhuǎn)換的語音識別方法。 說話人轉(zhuǎn)換的關(guān)鍵之處是從語音信號中提取可分析合成的說話人特征。該文利用正弦+噪聲的語音分析模型，進行說話人特征的基礎(chǔ)性研究。結(jié)合統(tǒng)計分析的方法，著重分析了正弦模型中頻率參數(shù)概率分布(FPD)和幅度參數(shù)加權(quán)的頻率概率分布(awFPD)。在

3、觀察總結(jié)的基礎(chǔ)上得出了一個實驗結(jié)論：在有足夠觀察數(shù)據(jù)進行分析的情況下，頻率概率分布和說話人有關(guān)，和語音內(nèi)容和使用的語言種類相關(guān)性不大。通過應用混合高斯模型進行概率分布的擬合，該文提出了統(tǒng)計本征聲音(SEV)和加權(quán)統(tǒng)計本征聲音(wSEV)的說話人特征表示方法。SEV和wSEV描述了說話人發(fā)音器官特征、說話特點和發(fā)音喜好等固有的特征。 在說話人統(tǒng)計特征的研究基礎(chǔ)上,該文提出了基于統(tǒng)計本征聲音SEV和加權(quán)統(tǒng)計本征聲音wSEV的說話人轉(zhuǎn)

4、換方法。該方法使用SEV特征進行說話人頻率轉(zhuǎn)換，使用wSEV進行說話人頻譜幅度轉(zhuǎn)換，并且訓練過程無需使用源說話人和目的說話人的相同語音樣本。這種方法在跨語種說話人轉(zhuǎn)換上有進一步應用的空間?；赟EV和wSEV的轉(zhuǎn)換方法結(jié)合起來間接的修改了語言信號的基音頻率和譜包絡(luò)等聲學特征。在合成結(jié)果自然度上，本文算法優(yōu)于LPC聲碼器的說話人轉(zhuǎn)換方法。 在語音識別領(lǐng)域，與說話人無關(guān)(SI)的識別方法需要大量的訓練數(shù)據(jù)。大量數(shù)據(jù)的采集和識別率的不

5、穩(wěn)定制約了其應用。傳統(tǒng)的與說話人相關(guān)(SD)的識別方法則通過說話人適應方法，在減少訓練數(shù)據(jù)的同時提高識別正確率和魯棒性。但是SD識別方法在識別模型參數(shù)較多時，效率偏低，適應過程緩慢。 為了克服這些缺點，該文將說話人轉(zhuǎn)換應用于語音識別中，引入了基于說話人轉(zhuǎn)換的語音識別方法。此方法在進行識別前先對輸入的語音進行說話人轉(zhuǎn)換，將其映射到訓練集語音庫中，在不修改識別模型參數(shù)的基礎(chǔ)上提高識別正確率。 相應于SEV/wSEV的說話人轉(zhuǎn)

6、換方法，本文提出了一種具體的基于說話人轉(zhuǎn)換的語音識別方法。該方法基于與說話人相關(guān)的語音識別系統(tǒng)，在識別前端通過特征匹配和說話人轉(zhuǎn)換的方法，將識別說話人映射到訓練庫中，達到說話人適應的目的。在轉(zhuǎn)換效果較好的前提下，識別過程相當于對“訓練庫語音”進行識別。從而避免了傳統(tǒng)說話人適應算法對模型參數(shù)的復雜性修改。在這種方法中，該文使用了反饋迭代識別的方法：將識別結(jié)果反饋到說話人轉(zhuǎn)換模塊中，重新進行指導性的說話人轉(zhuǎn)換，進一步提高轉(zhuǎn)換精確度進而提高識