[发明专利]一种基于声道和韵律特征的情感语音转换方法

说明书

本发明提供一种基于声道和韵律特征转换的情感语音转换的方法，主要解决未来人与机器的交流方式问题。包括：首先进行情感语音训练，对中性与其它情感语音进行预处理，然后提取其声道和韵律特征参数，建立匹配模型；其次再进行情感语音转换，将中性语音的声道和韵律特征参数输入到转换模型中，并将模型输出参数用到语音合成中，来合成目标情感语音。本发明采用的方法不再局限于中性语音的对话，在相同语义和说话人信息的情况下，能够实现中性向不同情感之间的语音转换，获得具有情感表现力的语音，有利于未来更好的人机交互。

技术领域

本发明属于音频信号处理领域，涉及一种基于声道和韵律特征的情感语 音转换方法。

背景技术

随着人工智能技术和机器人的发展，人类的生活日益丰富，听演唱会，看 电影和电视剧，玩直播、手机游戏和虚拟现实逐渐成为大众喜欢的娱乐方式，人 们为了得到更好的听觉体验，对语音的要求也越来越高。现今人与计算机最常见 的交流方式就是使用中性语言，而未来人与机器人的对话不再局限于中性语音 的对话。在情感计算和智能交互领域中，为了赋予计算机观察、理解和表达情感 的能力，情感语音转换将成为一项重要的研究。

情感语音转换属于语音转换的一种，语音转换是指改变源说话人的语音 个性化信息，从而带上目标说话人的语音个性化信息，其中个性化信息很广泛， 包括性别，情感，年龄等信息。通过对语音转换的研究，可以进一步探究人类语 音的发音机制，更好地掌握语音的参数特征，让人们可以通过操控这些关键的参 数信息而改变语音信息，来达到自己的目的。语音转换的意义不仅仅局限于转换 本身，还和语音分析、识别、编码、增强、隐藏等技术相关。首先，语音转换的 研究离不开这些相关技术的研究理论和成果；其次，语音转换技术的研究推动了 这些相关技术领域的发展。

语音转换最常见的做法是基于语音特征的统计分布来实现声音转换，有 的采用高斯混合模型(GMM)描述源与目标特征参数的概率分布，将利用给定源特 征参数预测目标特征参数的问题变为求解一个线性回归函数的问题；有的采用 码本加权叠加的方法来得到目标说话人的参数特征；有的采用声道长度归一化 技术调整语音频谱，从而进行语音转换；还有基于固定长度帧的非基音同步的方 法和信号相关的方法，激励源信号采用脉冲信号、三角波信号、噪音源等信号， 通过线性频谱搬移和分析合成法进行男女之间的语音转换。

发明内容

本发明提出了一种基于声道和韵律特征的情感语音转换方案，可以解决 医疗领域中的效率安全问题，例如应用在智能机器人心理医生上，不仅避免了人 类心理医生免受暴力或精神异常患者的伤害，还缩短了患者诊断时间，提高了工 作效率；在交通安全方面，本发明能降低交通事故发生概率，大大减少交通事故 死亡率。情感语音转换意味着在相同语音的情况下，将语音从一种情感换成另一 种情感。

为了达到上述目的，本发明的方法包括为：

S1:情感语音训练阶段，先对中性和其他情感语音进行预处理，然后提取 其声道和韵律特征参数，建立转换模型。

S2:情感语音转换阶段，将中性语音的声道和韵律特征参数输入转换模型 中，将模型输出参数进行语音合成，合成目标情感语音。

进一步，所述步骤S1中，所述的预处理是指设置一系列参数，对语音进 行分帧加窗预处理。参数包括：帧长、帧移、窗函数，LSP系数的阶数。

其中，所述帧长，是指经过数字化的音频信号实际上是一个时变信号，为 了能对音频信号进行分析，可以假设音频信号在几十毫秒的时间内是平稳的。 为了得到短时音频信号，将语音信号分为一段一段地来分析其特征，其中每一段 称为“一帧”，分帧是连续的，帧长一般取10～30毫秒，此时方案将分帧定为 20毫秒。