[发明专利]基于信号时序特征建模的高质量语音转换方法

权利要求书

1.基于信号时序特征建模的高质量语音转换方法，其特征在于：针对源和目标的平行数据，考虑对其时序特征进行建模和跟踪，利用混合式卡尔曼滤波器，并在期望最大化准则下估计模型结构参数，最终利用该模型映射语音的特征参数集合，实现高质量的语音转换效果；具体包括如下步骤：

(1)采用语音分析模型对原始语音信号进行分析；

(2)从分析得到的参数中提取与音素相关的特征参数集合；

(3)对源和目标的特征参数集合进行归一化操作，实现参数集合的对齐；

(4)将对齐的参数集合分别用作混合式卡尔曼滤波器的输入和输出，实现模型参数的训练和估计；

(5)将训练好的卡尔曼滤波器看作通用的泛函映射函数，基于特征参数映射方法映射任意的语音信号参数；

(6)对转换后的特征参数进行反变换操作，即进行参数内插和相位补偿，最后用语音合成模型合成为高质量的语音；

上述步骤中，步骤(1)～(4)为训练步骤，步骤(5)～(6)为转换步骤；所述混合式卡尔曼滤波器的结构为在经典的卡尔曼滤波器结构上新增一个隐层，所述隐层用于描述时序信号状态之间的渐变效果。

2.根据权利要求1所述的基于信号时序特征建模的高质量语音转换方法，其特征在于：所述步骤(1)中的语音分析模型的工作过程包括如下步骤：

(a1)对语音信号进行固定时长的分帧，用互相关法对基音频率进行估计；

(a2)在浊音信号部分设置一个最大浊音频率分量，用来划分谐波成分和随机成分的主能量区域；再利用最小二乘算法估计得到离散的谐波幅度值和相位值；

(a3)在清音阶段，利用经典的线性预测分析法对其进行分析，从而得到线性预测系数。

3.根据权利要求2所述的基于信号时序特征建模的高质量语音转换方法，其特征在于：所述步骤(2)包括从离散的谐波幅度值中估计出适用于语音转换任务的线谱频率系数工作过程，该工作过程包括如下步骤：

(b1)对离散的谐波幅度求取平方；

(b2)根据功率谱密度函数和自相关函数的一一对应关系，得到关于线性预测系数的托普里茨矩阵方程，求解该方程；

(b3)将线性预测系数转换为目标线谱频率系数。

4.根据权利要求1所述的基于信号时序特征建模的高质量语音转换方法，其特征在于：所述步骤(3)中实现参数集合的对齐的对其准则为：对于两个不等长的特征参数序列，利用动态规划的思想将其中一者的时间轴非线性的映射到另一者的时间轴上，从而实现一一对应的匹配关系；在现参数集合的对齐的过程中，通过迭代优化一个预设的累积失真函数，并限制搜索区域，最终获得时间匹配函数。

5.根据权利要求1所述的基于信号时序特征建模的高质量语音转换方法，其特征在于：所述步骤(5)中的特征参数映射方法包括如下步骤：

(c1)充分利用平行数据的包含相同语义信息和不同说话人个性特征信息的特点，在假设隐层状态变量代表语义信息的基础上，保证源和目标各自的混合式卡尔曼滤波器的隐层结构处于共享状态；接着在期望最大化准则下估计观测层变量的统计特性；

(c2)在步骤(c1)的基础上，比较源和目标模型结构的差异性，将这种差异性视为说话人不同个性的一种体现；

(c3)结合卡尔曼滤波器描述时变信号的能力，将这种差异性从源的特征空间映射到目标的特征空间，从而完成参数的转换过程。

6.根据权利要求2所述的基于信号时序特征建模的高质量语音转换方法，其特征在于：所述步骤(6)中的语音合成模型的工作过程包括如下步骤：

(b1)将浊音部分信号的离散的谐波幅度和相位值用作正弦信号的幅度值和相位值，并进行叠加；运用内插技术和相位补偿技术使得重构信号在时域波形上不产生失真；

(b2)将清音部分信号的白噪声信号通过一个全极点滤波器，即可得到近似重构信号；

(b3)将浊音部分信号和清音部分信号进行叠加，即得到重构的语音信号。