基于神經(jīng)網(wǎng)絡(luò)的語音轉(zhuǎn)換.pdf

1、基于神經(jīng)網(wǎng)絡(luò)的語音轉(zhuǎn)換利用其特殊的非線性方程轉(zhuǎn)換式將源說話人的特征映射為目標說話人的特征，這種方法被證實比基于高斯混合模型語音轉(zhuǎn)換方法更加有效。然而，基于神經(jīng)網(wǎng)絡(luò)的語音轉(zhuǎn)換還有諸多不足。例如目前神經(jīng)網(wǎng)絡(luò)的訓練是基于最小化幀誤差準則的，因此神經(jīng)網(wǎng)絡(luò)相應的權(quán)值是根據(jù)整個的源說話人和目標說話人的訓練數(shù)據(jù)來進行調(diào)整的。
　　在本文中，我們受啟發(fā)于基于隱馬爾科夫模型(HMM)的語音合成體系中的基于整句優(yōu)化最小化生成誤差的訓練準則，將語音轉(zhuǎn)換

2、中神經(jīng)網(wǎng)絡(luò)訓練的基于幀誤差最小化的訓練準則改為基于序列誤差最小化的訓練準則。我們利用基于梯度下降的反向傳播算法來最小化一句訓練數(shù)據(jù)上源說話人和目標說話人之間的轉(zhuǎn)換誤差。實驗結(jié)果表明通過先用最小化幀誤差準則訓練，再用最小化序列誤差訓練的神經(jīng)網(wǎng)絡(luò)比起只用最小化幀誤差訓練的神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換出來的聲音在主觀測試中更勝一籌。
　　在目前的語音轉(zhuǎn)換中，韻律轉(zhuǎn)換尤其是基頻轉(zhuǎn)換是一個很具有挑戰(zhàn)性的研究課題，這主要是因為基頻的不連續(xù)性。通?；l轉(zhuǎn)換都是