赵义正

（合肥电子工程学院，安徽 合肥 230037）

语音转换是指改变一个说话人（源说话人）的语音个性特征，使之具有另外一个说话人（目标说话人）的语音个性特征。语音转换技术的主要应用场合包括计算机语音合成、计算机语音翻译、语音编辑、广播及多媒体等方面。现阶段对语音的转换主要包含对韵律和谱包络的转换。谱包络转换方法有很多种，其中以基于高斯混合模型（GMM）[1]的映射方法效果最好，也是当前的主流方法。但是基于GMM的谱包络转换存在一个严重缺陷，即导致转换频谱的过平滑[2-4]。它会造成转换频谱的共振峰峰值特性下降，造成转换语音的听觉感知特性下降，影响转换效果。

对于造成过平滑的原因，一种观点（Toda）[4]认为，过平滑是由GMM模型中的统计平均运算造成的，另一种观点认为过平滑是由于转换函数中GMM的协方差估计不准确造成的[5]，参考文献[6]认为过平滑主要是由于转换函数中的相关项引起的，并针对相关项进行改进以抑制过平滑现象。

由于GMM转换的特征可以分为均值项和相关项两部分，本文研究发现，过平滑产生是由两者共同导致的，而且均值项的影响更大。因此提出一种基于修正均值的语音转换方法，可更好地抑制过平滑现象。

1 基于高斯混合模型的语音转换函数及其分解

基于高斯混合模型的语音转换方法的转换函数可表示为：

式（1）可以改写成以下形式：

2 转换特征的标准差分析

转换后的频谱之所以会出现过平滑现象，是因为转换特征的离散程度较低，本文采用标准差来度量语音特征的离散度。……