王 民,杨秀峰,要趁红

(西安建筑科技大学信息与控制工程学院，陕西 西安 710055)

1 引言

语音包含许多信息，其中最主要的是语义信息和个性化特征信息。语音转换是指改变一个说话人的语音个性特征信息，使之具有另外一个人的语音个性特征信息[1]。语音转换是一种新兴的语音处理技术，可应用于众多领域，如用于商业应用文语的转换[2]、用于电影行业的配音[3]及在医学领域提升喉部受损人的语音质量和清晰度[4]等。

语音转换系统设计的根本在于提取表征说话人的个性特征信息并建立合适的转换模型。目前语音转换系统主要是针对谱包络的转换，谱包络中含有大量的语音个性特征信息，使得谱特征的提取更加便捷。除此之外，韵律特征也是很重要的语音个性化特征，如基因频率改变较大的情况下会导致语音的机械性。迄今为止，学者们对语音转换方法的探索从未停止。孙健等[5]提出了一种基于卷积非负矩阵分解的语音转换方法，但由于分解结果的不唯一问题阻碍了其在语音转换中的应用；马振等[6]利用语音的稀疏性和K-均值奇异值分解来实现语音转换，但其本质上是线性的，对语音信号中的非线性特征表征不足。但是，最为普遍使用的语音转换方法是基于高斯混合模型GMM(Gaussian Mixture Model)[7 - 10]和人工神经网络ANN(Artificial Neural Network)[11 - 14]模型的。然而,利用GMM模型进行语音转换存在过平滑和过拟合等问题，影响了转换语音的性能。不少学者对其进行了改进，如简志华……