[发明专利]一种基于频谱包络和基音周期的男女语音转换方法

说明书

本发明提供一种基于频谱包络和基音周期的男女语音转换方法，主要解决个性化语音合成问题。包括：首先进行男女语音训练，对男性和女性语音进行预处理，然后提取其频谱包络和基音周期参数，建立匹配模型；其次再进行男女语音转换，将男性/女性的频谱包络和基音周期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，来合成目标性别语音。本发明采用的方法在相同说话内容的情况下，能够实现男女性别之间的语音转换，实现个性化语音的合成。

技术领域

本发明属于音频信号处理领域，涉及一种基于频谱包络和基音周期的男女语音转换方法。

背景技术

随着人工智能技术的发展，人类的生活日益丰富，听演唱会，玩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。科技的快速发展，使得音频行业与人类生活紧密地结合在一起，其中语音转换技术发挥着重要作用，现在语音在日常生活中有着广泛的使用，例如手机语音助手、智能家庭机器人、智能声控开关等。随着人类对语音的要求越来越高，语音转换技术显得越来越重要，应用也越来越普遍。在娱乐领域里电影、电视节目的配音中，可以将源演员的声音特征加入到本地化电影配音中，让配音更原汁原味；在卡拉OK等数字化娱乐中，加入可调比重的原唱者声音特征，改善听觉效果；在医疗领域里，声音转换技术可以恢复受损语音，帮助声道受损的病人提高声音的可懂性；在军事国防领域里，语音转换技术可以在通信中对说话人语音进行个性化伪装。

语音转化有着重要的理论价值和应用价值，大致分为三种方法：参数法、非参数法和混合法。参数法主要采用分析合成技术，根据语音信号的产生模型，分离语音信号的声源信息和声道信息，提取特征参数，将这些参数进行转换，合成新的语音。非参数法采用全局最优的方法进行转换，不明显的提取语音特征参数，根据统计意义上的数据进行转换，在一定程度上改变语音的个性特征。混合法仅提取语音信号的特征，对其余参数采用全局最优的方法，进行大致的转换。不管采用哪一种方法，都是获取声源和声道参数，让源语音与目标语音能够最优匹配。

发明内容

本发明提出了一种基于频谱包络和基音周期的男女语音转换方案，可以解决个性化语音合成问题，例如在为电影配音时，有时很难找到需要配音的演员，可以通过男女语音转换技术合成所需要的配音效果，以节省电影耗时以及成本问题。

为了达到上述目的，本发明的方法包括为：

S1:男女语音训练阶段，先对男性和女性语音进行预处理，然后提取其频谱包络参数和基音周期，建立转换模型；

S2:男女语音转换阶段，将男性/女性语音的频谱包络参数和基音周期输入转换模型中，将模型输出参数进行语音合成，合成目标性别语音。

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。

其中，所述帧移，是指后一帧对前一帧的位移量，这样相邻两帧之间存在重叠部分。在分帧处理中，往往设置在相邻两帧之间有一部分重叠，如果相邻两帧之间不重叠，给出的基音可能有一个跳变，特征参数有可能变化较大，为了使特征参数平滑地变化，在两个不重叠的帧之间插一些帧来提取特征参数，此时方案的帧移为5毫秒。

其中，所述窗函数，是指为了减少频谱能量泄漏，可采用不同的截取函数对信号进行截断，截断函数称为窗函数。不同的窗函数对信号频谱的影响不一样，可根据信号的性质和处理要求选择不同的窗函数。如果分析窄带信号，且有较强的干扰噪声，则应选用旁瓣幅度小的窗函数，如汉宁窗、三角窗等；对于随时间按指数衰减的函数，可采用指数窗来提高信噪比。此时方案将窗函数定为海明窗。