使用分段式GMM及自动GMM挑选之语音转换方法.PDF

使用分段式 GMM及自動 GMM 挑選之語音轉換方法 A Voice Conversion Method Using Segmental GMMs and Automatic GMM Selection 古鴻炎 蔡松峰 Hung-Yan Gu Sung-Fung Tsai 國立台灣科技大學資訊工程系 Department of Computer Science and Information Engineering National Taiwan University of Science and Technology {guhy, M9615069}@.tw 摘要 本論文提出分段式(segmental)高斯混合模型(Gaussian mixture model, GMM)的觀念 ，用 以改進語音轉換的效能，而為了應用該觀念於線上(on-line)進行的語音轉換處理 ，我們 也發展了一個基於動態規劃(dynamic programming, DP)之自動GMM 挑選的演算法。此 外，為了使用單一高斯混合來對映(mapping) 離散倒頻譜係數(discrete cepstrum coefficients, DCC) 係數，我們也設計了一種高斯混合選取之演算法 。關於分段式GMM 觀念的評估，在此我們建造了三個採取不同功能組合之語音轉換系統，然後使用三個系 統所轉換出的語音去作聽測實驗，實驗的結果顯示，分段式GMM 之觀念確實可用以改 進音色相似度(timbre similarity) 、及語音品質(voice quality)兩方面的效能 。 關鍵詞 ：語音轉換 ，離散倒頻譜 ，高斯混合模型 ，音色相似度 ，語音品質 一 、緒論 以GMM 為基礎的語音轉換方法首先由Stylianou 提出[1] ，之後有許多研究者對這種方 法的相關議題再作了更進一步的探討[2-5] ，然而幾個棘手的問題至今仍然存在，其中一 個最令人注意的是，經語音轉換得到的頻譜大多都會發生頻譜過度平滑化(over smoothing)的現象[2-4] ，而使得轉換出的語音聽起來會有明顯的語音品質退化的感覺 。 此外，另一個也需要注意的問題是，當嘗試以最大加權值之混合來作單一高斯混合之頻 譜對映時，某些相鄰音框的轉換出的頻譜，可能會發生頻譜不連續的問題，而使得轉換 出的語音會時常聽到怪音(artifact sound) 。 在本論文裡，我們嘗試以不同的方向來解決頻譜過度平滑的問題。在GMM 為基礎的語 音轉換方法中 ，跨越多個(如 128 個)高斯混合作加權和(weighting sum)的運算 ，是導致 過度平滑的一個重要原因 。一個典型的基於GMM 的對映函數 ，其公式如下[1]:   M  x xx 1  w N (x; ,  ) y yx xx x   m m m  y F (x ; , )    (x ) (1)     M m m m m  m 1 x xx  