基于隱馬爾可夫模型的說話人轉換方法的相關研究.pdf

1、隨著目前語音合成技術的進步，合成語音的音質和自然度都有了很大的提高，因此，用戶對語音合成系統(tǒng)提出了更高的要求--多樣化的語音合成，包括多個發(fā)音人、多種發(fā)音風格、多種情感以及多語種等語音的合成。在這一背景下，通過調整一個說話人的語音，使其聽起來像是另一個人說出來一樣的說話人轉換技術被提出。說話人轉換技術根據少量的目標說話人的語音數據，對源說話人的語音參數進行調整，從而得到目標說話人的合成語音，并可以此實現多樣化的語音合成。為此，本文對基于

2、HMM(Hidden Markov Model)的說話人轉換技術進行了詳細的介紹，并對其訓練流程和關鍵技術進行了改進，最后，針對具體的應用進行了相應的研究。本文按照如下幾個部分展開討論： 文章的第一部分主要是介紹了本文研究的背景和幾種主要的說話人轉換的方法。首先，簡單的描述了一下語音合成技術以及其近年來的發(fā)展。接下來，為了幫助我們更好的理解說話人轉換的原理，我們也對人的發(fā)音過程的聲學機理和數學模型進行了系統(tǒng)介紹。這是因為，說話人

3、轉換技術是對源說話人的音色進行轉換使其聽起來像目標說話人發(fā)出的。而為了實現說話人音色的轉換，通常需要對語音信號進行激勵源和聲道濾波器的分離，以便對激勵信號和聲道模型分別進行修改，然后再重新生成語音。最后我們對說話人轉換技術的發(fā)展和常用的幾種方法進行簡要的介紹。 在文章的第二部分，主要介紹了基于HMM的說話人轉換的基本框架。由于基于HMM的說話人轉換技術是建立在基于HMM的語音合成系統(tǒng)的基礎上的，因此，本章首先介紹了 Tainab

4、le TTS(Text-to-Speech)的基本框架，并對其中的一些關鍵技術進行了分析。接下來主要介紹了基于HMM的說話人轉換技術的一個重要環(huán)節(jié)--MLLR(Maximum Likelihood Linear Regression)模型自適應算法，包括MLLR算法中HMM模型均值和方差轉換矩陣的估計方法以及回歸矩陣綁定的基本原理。最后基于上述基于HMM的說話人轉換的基本框架，進行了女到女和女到男的說話人轉換實驗，并且從合成語音的音質、

5、自然度以及與目標語音的相似程度三個方面進行了主觀和客觀的評測實驗。 文章的第三部分針對第二章中所介紹的基于HMM的說話人轉換的各主要技術環(huán)節(jié)，如基于MSD (Multi-space Distribution) -HMM基頻建模的模型自適應、時長模型的自適應、源說話人模型的訓練和選擇、模型自適應算法、考慮動態(tài)參數的參數生成算法等模塊；以及合成語音中的問題，如在自適應數據很少時效果不佳、合成語音頻譜過于平滑等問題，分別進行了分析和相

6、應的改進工作。主要的改進包括：整合了自適應流程，使頻譜、基頻、時長模型在相同的框架下進行轉換；使用LSP (Line Spectral Pair) +DAL(Differential coefficients of Adiacent LSP)參數減輕頻譜過平滑的問題；使用共享決策樹聚類方法訓練平均模型作為源說話人模型，從而提高模型自適應的魯棒性；對模型自適應算法進行改進，提高自適應效果；針對不同的訓練數據量，采用不同類型的轉換矩陣；改進