简志华，王向文

(杭州电子科技大学通信工程学院，浙江杭州310018)

0 引言

在语音信号中，说话人的个性特征是一种非常重要的信息。语音转换就是要改变源说话人语音的个性特征信息，使之具有目标说话人的个性信息，也即转换后的语音听起来就像是目标说话人的声音一样，但语音的语义内容保持不变［1］。早期的语音转换函数是基于矢量量化模型［2］。但基于矢量量化的转换算法由于将特征参数矢量离散化，导致频谱的不连续性，转换性能和语音质量都不理想。文献3提出了一种基于高斯混合模型(Gaussian Mixture Model，GMM)的具有连续形式的转换函数，具有较好的转换性能。文献4对GMM算法进行了改进，提出了联合矢量GMM模型，简化了运算，也使得基于GMM的转换算法逐渐地成为语音转换的主流算法。但由于基于GMM的转换函数是基于统计平均，使频谱过于平滑，导致转换后的语音质量和自然度下降。为了提高语音质量，文献5提出了一种基于频率卷绕的转换算法，具有较好的语音质量，但转换效果不佳。文献6综合了GMM转换算法和频率卷绕算法的优势，提出了一种在GMM模型的基础上进行加权的频率卷绕算法(Weighted Frequency Warping，WFW)，较好地平衡了语音质量和转换性能之间的矛盾。但以上算法在转换时都没有考虑语音帧间的相关信息，而事实上，语音帧间具有很强的相关性，这些相关信息不仅有利于改善转换效果，也有利于提高转换后的语音质量。本文正是基于这一考虑，提出了采用压缩感知(Compressed Sensing，CS)理论［7］来考虑语音特征参数帧间相关信息的语音转换算法。……