王媛媛 王新宇 张明阳 周 锋 赵 力

(1 盐城工学院信息工程学院 盐城 224051)

(2 新加坡国立大学电子与计算机工程系 新加坡 117583)

(3 东南大学信息科学与工程学院 南京 210096)

0 引言

语声转换是一种修改源说话人的语声，使其听起来像目标说话人的技术。语声转换技术已被成功应用于许多领域中，如文本到语声系统(Textto-Speech，TTS)[1]、说话人去识别化[2]和言语辅助[3]。

语声转换可以被描述为估计源特征和目标特征之间映射函数的回归问题。研究者们已经提出了许多成功的语声转换方法，如高斯混合模型的方法[4−5]，它是基于频谱参数轨迹的最大似然估计。动态内核偏最小二乘法[6]将内核变换集成到偏最小二乘法中，以对非线性转换关系进行建模以及捕捉数据中的动态特性。稀疏表示方法[7−8]可以看作是一种数据驱动的非参数化方法，作为传统的参数化语声转换方法的替代。基于频率弯曲的方法[9−10]旨在改变源频谱的频率轴，使其接近目标频谱。此外，还有一些语声转换的后置滤波器方法来提高语声质量[11]。

近年来，深度学习方法在语声转换领域开始流行。例如，基于深度神经网络(Deep neural network,DNN)的方法[12−14]研究了平行训练数据条件下的频谱转换，通过使用大量的平行训练数据来实现高质量的语声转换。此外，关于变分自动编码器方法的研究[15]，有效提高了语声转换的性能。

上述语声转换框架将每帧的频谱特征视为独立的特征，并不关注语声序列所特有的长时依赖性。标准的递归神经网络(Recurrent neural network,RNN)可以用来解决这个问题[16−17]，但由于RNN存在梯度消失的问题[18]，限制了其在上下文信息建模方面的能力。……