基于双字典的噪声环境下的语音转换方法

周 迪，简志华，胡伟通，汪云路

1(浙江宇视科技有限公司，杭州 310051) 2(杭州电子科技大学 通信工程学院，杭州 310018) 3(杭州电子科技大学 网络空间安全学院，杭州 310018)

1 引 言

语音转换是一种改变语音信号中说话人特性的技术，它将一个人的声音变成另外一个人的声音，而不改变其中的语义内容[1，2].

高斯混合模型(Gaussion Mixture Model，GMM)作为一种概率统计模型，常用于语音转换，是一种主流的转换方法，它的转换函数是一种加权求均值的形式[3-6].这种转换方法易于实现且效果不错，但存在两点不足：一是统计平均的转换函数会使得转换后的语音谱包络过于平滑，降低语音自然度；二是为了减少模型训练时的计算量，特征参数常常是低维的，如MFCC、LSP等，但低维参数会损失语音中较多的信息，会使音质下降.最近几年，稀疏字典在语音处理的多个领域都得到了很好的应用，基于语音样本字典的转换算法逐渐发展了起来.这些算法常采用高维的语音谱作为特征参数，并用非负矩阵分解(Non-negative Matrix Factorization，NMF)求解转换函数[7-10].该类算法有效地改进了基于统计参数方法的频谱过于平滑以及由于语料不足所造成的过拟合问题，产生更加自然的语音.但是，上述语音转换算法在实际的噪声应用环境下，由于噪声的存在，使得实验室纯净语音训练的转换系统的性能激剧下降，无法满足很多实际场景的应用需求.

论文在以往NMF转换方法基础上，提出了采用两个字典联合起来实现噪声环境下的语音转换.该算法在训练阶段，通过语音库中的纯净语音得到源语音字典和背景噪声字典，并将两者相结合；……