南京航空航天大学学报

作者：庞聪，连海伦，周健，王华彬，陶亮

单位：安徽大学计算智能与信号处理教育部重点实验室，合肥，230039；,安徽大学计算智能与信号处理教育部重点实验室，合肥，230039；,安徽大学计算智能与信号处理教育部重点实验室，合肥，230039；,安徽大学计算智能与信号处理教育部重点实验室，合肥，230039；,安徽大学计算智能与信号处理教育部重点实验室，合肥，230039；

关键词：语音转换;特征融合;韵律模型;STRAIGHT模型;双向长短期记忆

基金：国家自然科学基金(61301295)资助项目；安徽省自然科学基金(1708085MF151)资助项目； 安徽高校自然科学基金(KJ2018A0018)资助项目； 安徽大学科研训练计划 (J10118520444) 资助项目。

使用耳语音的频谱包络来预估正常音的基频特征，这类算法在对正常音基频预测的准确性上存在一定不足，在合成语音自然度方面存在着明显欠缺，有时会出现音调失常等问题。本文提出一种声学特征融合的方法，通过双向长短期记忆（Bi-long short-term memory， BLSTM）深度网络来逐帧预测正常音基频。首先，使用STRAIGHT模型和相关代码，分别对耳语音和正常音语料进行预处理，提取耳语音的梅尔倒谱系数（Mel-scale frequency cepstral coefficient，MFCC）、韵律及谱包络特征，正常音的基频与谱包络特征。然后使用BLSTM深度网络，分别建立耳语音和正常音谱包络特征之间映射关系，以及耳语音MFCC、韵律及谱包络特征对正常音基频F₀的映射关系。最后根据耳语音的MFCC、韵律及谱包络特征获得对应的正常音基频和谱包络，使用STRAIGHT模型合成正常音。实验结果表明，相较于仅使用谱包络估计基频，采用此种方法引入语音韵律和MFCC的融合特征是对基频特征的良好补充，解决了音调失常的现象，转换后的语音在韵律上更加接近正常发音。

来源：2020年第5期

《南京航空航天大学学报》期刊编辑部

查看南京航空航天大学学报杂志2020年第5期