[发明专利]音质转换系统

说明书

技术领域

本发明涉及将原说话者的声音转换为目标说话者的声音的音质转换学习系统、音质转换系统、音质转换客户服务器系统、以及程序。 

背景技术

以往，已知有将某说话者的声音转换为另一个说话者的声音的音质转换技术(例如，参照专利文献1、非专利文献1)。 

在图22中表示音质转换处理的基本过程。音质转换处理的过程由学习过程和转换过程构成。在学习过程中，收录原说话者以及成为转换目标的目标说话者的声音，并存储学习用声音数据，根据该学习用声音数据进行学习，由此生成用于将原说话者的声音转换为目标说话者的声音的转换函数。在转换过程中，利用在学习过程中生成的转换函数，将原说话者发出的任意的声音转换为目标说话者的声音。利用计算机进行这些处理。 

专利文献1：日本特开2002-215198号公报 

非专利文献1：Alexander Kain and Michael W.Macon“SPECTRAL VOICE CONVERSI ON FOR TEXT-TO-SPEECHSYNTHESIS” 

发明内容

发明要解决的问题

在这种音质转换技术中，为了将原说话者的声音转换为目标说话者的声音，需要对原说话者的音质和目标说话者的音质的组合生成固有的转换函数。因此，在存在多个原说话者以及目标说话者、要生成用于从各个原说话者的声音向各个目标说话者的声音转换的转换函数的情况下，需要进行原说话者与目标说话者的组合的数量的学习。

例如，如图23所示，存在26个原说话者A、B、...、Z和10个目标说话者1、2、...、10，在作成用于将各个原说话者的声音转换为各个目标说话者的声音的转换函数的情况下，需要进行26个原说话者与10个目标说话者的组合的数量260(＝26×10)的学习来生成转换函数。在要使音质转换实用化并对原说话者提供音质转换服务的情况下，转换函数的数量随着原说话者以及目标说话者的数量的增加而增加，因此计算机进行学习以及转换函数生成的负荷增大。另外，需要用于存储大量生成的转换函数的大容量的存储装置。 

另外，作为学习用声音数据，原说话者和目标说话者需要收录大约50句(将其称为一组的声音内容)发声内容相同的文章。如果，从10个目标说话者收录的声音组为各自不同的声音内容的情况下，1个原说话者需要收录10种声音组。在假设收录一组的声音内容所需的时间为30分钟的情况下，1个原说话者收录学习用声音数据要花费5个小时。 

并且，在目标说话者的声音为卡通人物、名人的声音、过世人等的情况下，依靠这些人来进行音质转换所需的声音组的发声的声音收录，在费用上不现实或者不可能实现。 

本发明是为了解决如上所述的现有的问题而完成的，提供可以用较少的学习负担进行音质转换的音质转换学习系统、音质转换系统、音质转换客户服务器系统、以及程序。 

用于解决问题的方案

为了解决上述问题，第一方面的发明提供一种音质转换系统，其将原说话者的声音转换为目标说话者的声音，其特征在 于，具备音质转换单元，该音质转换单元将原说话者的声音经由向中间说话者的声音的转换而转换为目标说话者的声音。 

根据本发明，音质转换系统将原说话者的声音经由向中间说话者的声音的转换而转换为目标说话者的声音，因此在存在多个原说话者和目标说话者的情况下，只要准备用于将各个原说话者的声音转换为中间说话者的声音的转换函数、以及用于将中间说话者的声音转换为各个目标说话者的声音的转换函数，就可以将各个原说话者的声音转换为各个目标说话者的声音。因此，与以往那样直接将各个原说话者的声音转换为各个目标说话者的声音的情况相比，所需的转换函数的数量减少，因此可以利用以较少的学习负担生成的转换函数进行音质转换。 

第二方面的发明提供一种音质转换学习系统，其学习用于将一个以上的原说话者的各自的声音转换为一个以上的目标说话者的各自的声音的函数，其特征在于，具备：中间转换函数生成单元，其学习并生成用于将上述原说话者的声音转换为对上述一个以上的各个原说话者共用设置的一个中间说话者的声音的中间转换函数；以及目标转换函数生成单元，其学习并生成用于将上述中间说话者的声音转换为上述目标说话者的声音的目标转换函数。