基于VQ模型和BP網(wǎng)絡(luò)的高自然度語音轉(zhuǎn)換.pdf

1、說話人語音轉(zhuǎn)換技術(shù)是把源說話人說的語音轉(zhuǎn)換為像是目標(biāo)說話人所說的語音的技術(shù)。說話人語音轉(zhuǎn)換具有廣泛的應(yīng)用領(lǐng)域，比如文語轉(zhuǎn)換(Text—to-Speech，TTS)系統(tǒng)、配音系統(tǒng)和保密通信等。本文提出了一種基于VQ模型與BP網(wǎng)絡(luò)的高自然度語音轉(zhuǎn)換方法。算法分為三個(gè)部分：前兩部分用VQ模型實(shí)現(xiàn)了語音的譜包絡(luò)及其激勵(lì)的轉(zhuǎn)換，第三部分采用BP算法實(shí)現(xiàn)語音的韻律轉(zhuǎn)換規(guī)則建模。算法針對(duì)基音周期內(nèi)殘差波形的特點(diǎn)提出了循環(huán)互相關(guān)函數(shù)，有效地實(shí)現(xiàn)了殘差波

2、形聚類；針對(duì)漢語語音超音段發(fā)音特點(diǎn)進(jìn)行韻律調(diào)整，有效實(shí)現(xiàn)了漢語語音轉(zhuǎn)換并得到高自然度合成語音。本文主要工作包括： (1)基于VQ模型實(shí)現(xiàn)了語音的譜包絡(luò)轉(zhuǎn)換。譜包絡(luò)采用20階LPC系數(shù)轉(zhuǎn)換形成的線譜對(duì)頻率系數(shù)LSF表示。相對(duì)于LPC參數(shù)，LSF具有更好的內(nèi)插特性和量化特性。訓(xùn)練分別得到128個(gè)源語音的碼向量和128個(gè)目標(biāo)語音的碼向量和由每一個(gè)源語音碼向量到目標(biāo)語音碼向量的映射碼書，映射碼書就為目標(biāo)語音向量的線性合成時(shí)的加權(quán)系數(shù)。轉(zhuǎn)

3、換后的語音的LSF系數(shù)更接近于目標(biāo)說話人語音的LSF系數(shù)。 (2)基于VQ模型實(shí)現(xiàn)了其激勵(lì)的轉(zhuǎn)換。對(duì)殘差的轉(zhuǎn)換分為兩階段，一是殘差能量的轉(zhuǎn)換，采用線性轉(zhuǎn)換的方法；二是對(duì)殘差波形的轉(zhuǎn)換，采用的方法是基于VQ碼本映射的模型。在殘差波形轉(zhuǎn)換中，定義了循環(huán)互相關(guān)函數(shù)，并以最大互相關(guān)值的相反數(shù)作為波形間的距離測(cè)度。轉(zhuǎn)換后的語音殘差信號(hào)更多的保留了目標(biāo)說話人的信息。 (3)采用BP算法實(shí)現(xiàn)語音的韻律變換規(guī)則建模。提取源說話人和目標(biāo)說