10、迈向具有物理可解释性的参数化语音转换函数

迈向具有物理可解释性的参数化语音转换函数

1. 引言

语音转换（VC）是一项能在不改变传输信息内容的前提下，将源说话人的语音特征转换为目标说话人语音特征的技术。其应用广泛，涵盖人工语音设备个性化、影视音乐游戏行业的语音转换以及病理语音实时修复等领域。

在众多语音特征中，与短时频谱包络密切相关的音色，吸引了众多研究者的关注。VC 系统在训练阶段会从源说话人和目标说话人的语音记录中提取声学信息，学习映射函数，将源说话人的声学空间转换为目标说话人的声学空间；在转换阶段，应用该映射函数对源说话人的新输入语音进行转换。目前研究过的 VC 技术有多种，包括矢量量化和映射码本、基于模糊矢量量化的更复杂解决方案、频率弯折变换、人工神经网络、隐马尔可夫模型、分类和回归树，以及当前占主导地位的基于高斯混合模型（GMM）的 VC 技术。

近期，传统基于 GMM 的 VC 系统的线性变换被频率弯折（FW）加幅度缩放（AS）变换所取代，以提升转换语音的质量和自然度。FW 是一种非线性操作，能将源说话人频谱的频率轴映射到目标说话人的频率轴，由于它不删除源频谱的任何细节，只是改变其频率位置，因此能较好地保留转换语音的质量。但 FW 的转换精度有限，因为它不改变频谱中有意义部分的相对幅度，所以通常会结合 AS 进行幅度轴差异的补偿，一般通过平滑校正滤波器实现。

在以往研究中，特定的 FW + AS 方法需要特定的信号表示，而当前语音合成技术趋势促使研究转向可应用于已知语音参数表示的方法。相关研究表明，基于 GMM 的 FW + AS 方法可应用于简单的倒谱语音表示，克服了对特定声码器的需求。还有研究将 FW 函数约束为双线性（BLFW），在倒谱域中实现了更优雅的 FW + AS 公式化，且转