[其他]数字语音音调变换的方法及装置

说明书

本方法及装置结构属于语音音调变换技术。

用不同于录音速度的放音速度回放语音，不仅使语音的时间长度发生变化，而且也使语音频谱发生移动;频谱移动的效应使语音的音调变化和语音的可懂度下降。用语音音调变换技术可使这种语音的音调得以恢复。另外在幻想剧和儿童剧中常需特殊的音调效果，采用本变换技术可改变原语音的音调，使其达到正常人发音以外的音调效果。

世界各国语言大多可用四、五十个语音音素来描述，一个单词由若干个音素组成。语音的声音按激励形式不同可分为二类：第一类是准周期音，即浊音，当气流通过声门使声带发生振动，就产生准周期音，其周期由声带振动频率决定，男子频率为80～200Hz，女子频率为150～300Hz，儿童频率为200～350Hz，这一频率称为基频，人的发音音调与它密切有关;另一类是非周期音，即清音和摩擦音等，声道在某处压缩，迫使空气以高速冲过压缩部分而产生湍流，发出非周期的，频率分量丰富的音素。声道的形状决定了声道的频率特性，改变声道形状就产生不同的音素。

语音音素主要取决于声道的形状和声带的振动及振动频率。在发一个准周期音时，声带的振动频率和声道的形状是基本不变的，图1（b）画出了三个准周期的音素波形，从图中看出，每一音素有一定的时间长度，这长度称为音素长度，在音素长度内音素的波形是基本不变的，具有波形相似性。人的发音器管机理决定了声道改变的速率小于声带振动的频率，这就说明了一个音素长度内包含有若干个波形周期。语音音素中有一部分属于短音音素，另一部分是属于长音音素。以前对音素长度的大量统计发明，音素长度在30～300ms范围内。同一人在不同时刻或不同的人发某一音素时的音素长度也是有差异的，这种小范围内的差异并不影响听觉效应。从图1（b）中看出，在两音素之间有一个音素过渡段，这一过渡段称为音素过渡，它是由发音系统中声道等参数发生改变的暂态过程所引起的，这一暂态过程在几至几十毫秒内完成，这一过程中波形参数与前后音素波形的参数设有固定的对应关系，音素过渡各种形式的失真会严重影响语音的自然度。

语音音调变换是通过语音波形在时域中扩展或压缩来实现的。设一语音的时间函数为f（t），其频谱函数为F（ω），则它们之间的付里叶变换关系式为

〔f（t）〕＝F（ω） （1）

根据付里叶变换的尺度反比性质有

〔f（Kt）〕＝ 1/(K) F（ (ω)/(K) ） （2）

上式表明，当K是大于1的正实数时，表示语音在时域上压缩了K倍，而在频域上则扩展了K倍，语音音调提升了K倍;当K是小于1的正实数时，表示语音在时域上扩展了1/K倍，而在频域上则压缩了1/K倍，语音音调降低了1/K倍。要实现语音在总的时间长度上保持不变的情况下进行音调变换，需将语音信号波形在时间上分成一帧一帧地进行处理，当进行降低音调的变换时，在每一帧内将被变换的波形在时间上扩展1/K倍，再将部分波形删除，当K＝1/2时，删除的波形为被变换波形帧的二分之一，用时域波形扩展法和删除法的结合使降低音调变换后的语音在时间长度上保持不变，如图1（C）所示。当进行提升音调的变换时，在每一帧内将被变换的波形在时间上压缩K倍，再将部分波形插入，当K＝3/2时，插入的波形为被变换波形帧的二分之一，用时域波形压缩法和插入法的结合使提升音调变换后的语音在时间长度上保持不变，如图2（c）所示。当被变换的语音是未被压缩或扩展时的原波形时，经音调变换后的语音将提升或降低原音调;当被变换的语音是用不同于录音速度的放音速度回放的波形时，经音调变换后的语音可使变速回放的语音音调得以恢复，而变换后语音的时间长度为变速回放语音的时间长度。

传统实现音调变换方法的装置其主要结构有两种：一种是用模拟可变延时线实现;另一种是先用A/D转换器将模拟语音信号转换为数字信号，一帧一帧地写入随机寄存器内，再用D/A转换器以不同于A/D转换器的转换速率依照一定的读出方式将这些数字信号数据从随机寄存器内一帧一帧地读出。