[發明專利]基于BLSTM的分頻拓譜抗噪語音轉換方法

有效

• 申請號: 202011288173.X
• 申請日: 2020-11-17
• 公開（公告）號: CN112562704B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 孫蒙;苗曉孔;張雄偉;曹鐵勇;鄭昌艷;李莉
• 申請（專利權）人: 中國人民解放軍陸軍工程大學
• 主分類號: G10L21/013
• 分類號: G10L21/013;G10L25/30;G10L25/24
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 岑丹

本發明公開了一種基于BLSTM的分頻拓譜抗噪語音轉換方法，具體步驟為：對源語音和目標語音進行濾波，并提取語音特征參數，所述語音特征參數包括基頻、聲道譜、非周期成分；將提取到的源語音和目標語音的聲道譜進行動態時間規整對齊；將對齊后的源語音和目標語音聲道譜分別輸入分頻轉換的BLSTM網絡模型進行訓練，得到對應的特征轉換網絡；構建全局統計方差一致性濾波模型；將待轉換語音濾波后，提取待轉換語音的特征參數，并進行預處理；將預處理后的待轉換語音的特征參數進行參數化的語音合成，生成最終的轉換語音。本發明設計全新的融合規則，將分頻轉換后的部分進行融合，進而得到更加接近目標的聲道譜，從而提升語音轉換的相似度。

技術領域

本發明屬于語音信號處理技術，具體為一種基于BLSTM的分頻拓譜抗噪語音轉換方法。

背景技術

語音轉換是指改變一個說話人(源說話人，source?speaker)的語音個性特征，使之具有另外一個說話人(目標說話人，target?speaker)的語音個性特征，它是一種語音到語音的技術。語音轉換可以分為兩類：一類是非特定人語音轉換，只需將源說話人的聲音變掉即可，用于讓對方聽不出自己身份的場景；另一類為特定人語音轉換，是將源說話人的聲音轉換為特定的目標人物的聲音，用于冒充目標人物的身份的場景。特定人語音轉換符合個性化語音生成的技術需求，是當前研究的主要熱點之一。

特定說話人的語音轉換還可以分為：平行語料的語音轉換和非平行語料轉換，目前，轉換質量和相似度較高的系統一般都是基于平行語料的轉換方法，該技術目前的研究現狀簡要總結如下：

語音轉換最早可追溯到上個世紀五六十年代，從最經典的高斯混合模型(Gaussian?Mixture?Model,GMM)不斷改進，到現在能夠有效表示高維序列數據的深度神經網等模型，如：全卷積神經網絡(Fully?Convolutional?Network,FCN)、生成對抗網絡(Kaneko?T.,Kameoka?H,Hiramatsu?K,Kashino?K,Sequence-to-Sequence?VoiceConversion?with?Similarity?Metric?Learned?Using?Generative?AdversarialNetworks,Interspeech?2017；Kaneko?T,Kameoka?H,Hojo?N,Kashino?K,Generativeadversarial?network-based?post-filter?for?statistical?parameter?synthesis,ICASSP?2017)、雙向長短時記憶網絡(Huang?Z,Xu?W?and?Yu.K.Bidirectional?LSTM-CRFmodels?for?sequence?tagging.Available:https://arxiv.org/abs/1508.01991,2015)等。近些年隨著國際賽事——語音轉換挑戰賽(Voice?Conversion?Challenge，VCC)的連續舉辦，語音轉換方法不斷改進，轉換語音的質量和相似度也進一步得到提升。雖然這些語音轉換方案合理有效，也取得了較好的轉換效果，但由于大多數語音轉換方法是在實驗條件下進行，其對訓練數據的大小和質量具有嚴重的依賴性，訓練樣本數據量越大，訓練語料越純凈其獲得的轉換語音效果越好，而針對小樣本數據以及含噪語音數據，則模型的轉換效果受到限制，轉換語音的質量也大幅下降。

發明內容

本發明的目的在于提出了一種基于BLSTM的分頻拓譜抗噪語音轉換方法。

實現本發明目的的技術解決方案為：一種基于BLSTM的分頻拓譜抗噪語音轉換方法，具體步驟為：

步驟1：對源語音和目標語音進行濾波，并提取語音特征參數，所述語音特征參數包括基頻、聲道譜、非周期成分；將提取到的源語音和目標語音的聲道譜進行動態時間規整對齊；

步驟2：將對齊后的源語音和目標語音聲道譜分別輸入分頻轉換的BLSTM網絡模型進行訓練，得到對應的特征轉換網絡；

步驟3、構建全局統計方差一致性濾波模型；