CN110136686A - 基于STARGAN与i向量的多对多说话人转换方法 - Google Patents
基于STARGAN与i向量的多对多说话人转换方法 Download PDFInfo
- Publication number
- CN110136686A CN110136686A CN201910397833.9A CN201910397833A CN110136686A CN 110136686 A CN110136686 A CN 110136686A CN 201910397833 A CN201910397833 A CN 201910397833A CN 110136686 A CN110136686 A CN 110136686A
- Authority
- CN
- China
- Prior art keywords
- vector
- speaker
- generator
- feature
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000013598 vector Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012546 transfer Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims description 101
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000003475 lamination Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 28
- 239000011159 matrix material Substances 0.000 description 10
- 238000011160 research Methods 0.000 description 4
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010054949 Metaplasia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/16—Vocoder architecture
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/16—Vocoder architecture
- G10L19/173—Transcoding, i.e. converting between two coded representations avoiding cascaded coding-decoding
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于STARGAN与i向量的多对多说话人转换方法，包括训练阶段和转换阶段，使用循环对抗网络，通过降低循环对抗损失较好地提升转换后语音的个性相似度和语音质量，用STARGAN与i向量相结合来实现语音转换系统，较好地提升转换后语音的个性相似度和语音质量，特别是对于短时话语i向量具有更好的表征性能，语音转换质量更好，同时可以克服C‑VAE中过平滑的问题，实现了一种高质量的语音转换方法。此外，本方法能够实现非平行文本条件下的语音转换，而且训练过程不需要任何对齐过程，提高了语音转换系统的通用性和实用性。
Description
技术领域
本发明涉及一种多对多说话人转换方法，特别是涉及一种基于STARGAN和i向量的多对多说话人转换方法。
背景技术
语音转换是语音信号处理领域的研究分支，是在语音分析、识别和合成的研究基础上发展与延伸的。语音转换的目标是改变源说话人的语音个性特征，使之具有目标说话人的语音个性特征，也就是使一个人说的语音经过转换后听起来像是另一个人说的语音，同时保留语义。
语音转换技术经过多年的研究，已经涌现了很多的经典转换方法。其中包括高斯混合模型(Gaussian Mixed Model，GMM)、递归神经网络(Recurrent Neural Network，RNN)、深度神经网络(Deep Neural Networks，DNN)等大多数的语音转换方法。但是这些语音转换方法大多要求用于训练的语料库是平行文本，即源说话人和目标说话人需要发出语音内容、语音时长相同的句子，并且发音节奏和情绪等尽量一致。然而训练时语音特征参数对齐的准确性会成为语音转换性能的一种制约。此外在跨语种转换、医疗辅助患者语音转换等实际应用中也无法获取平行语音。因此，无论从语音转换系统的通用性还是实用性来考虑，非平行文本条件下语音转换方法的研究都具有极大的实际意义和应用价值。
现有的非平行文本条件下的语音转换方法有基于循环一致对抗网络 (Cycle-Consistent Adversarial Networks，Cycle-GAN)的方法、基于条件变分自编码器(ConditionalVariational Auto-Encoder，C-VAE)的方法等。基于C-VAE模型的语音转换方法，直接利用说话人的身份标签建立语音转换系统，其中编码器对语音实现语义和个性信息的分离，解码器通过语义和说话人身份标签来实现语音的重构，从而可以解除对平行文本的依赖。但是由于C-VAE基于理想假设，认为观察到的数据通常遵循高斯分布，导致解码器的输出语音过度平滑，转换后的语音质量不高。基于Cycle-GAN模型的语音转换方法利用对抗性损失和循环一致损失，同时学习声学特征的正映射和逆映射，可以有效解决过平滑问题，改善转换语音质量，但是Cycle-GAN只能实现一对一的语音转换。
基于星型生成对抗网络(Star Generative Adversarial Network，STARGAN)模型的语音转换方法同时具有C-VAE和Cycle-GAN的优点，由于该方法的生成器具有编解码结构，可以同时学习多对多映射，生成器输出的属性由说话人身份标签控制，因此可以实现非平行下多对多的语音转换。但是此方法中说话人的身份标签并不能充分表达说话人的个性化特征，因此转换后的语音在在语音相似度上仍未得到很大改善。
发明内容
发明目的：本发明要解决的技术问题是提供一种基于STARGAN和i向量的多对多说话人转换方法，可以充分表达说话人的个性化特征，有效地提高了转换后语音的个性相似度。
技术方案：本发明所述的基于STARGAN和i向量的多对多说话人转换方法，包括训练阶段和转换阶段，所述训练阶段包括以下步骤：
(1.1)获取训练语料，训练语料由多名说话人的语料组成，包含源说话人和目标说话人；
(1.2)将所述的训练语料通过WORLD语音分析/合成模型，提取出各说话人语句的频谱包络特征x、基频特征、以及代表各说话人个性化特征的i向量I-vector；
(1.3)将源说话人的频谱包络特征xs、目标说话人的频谱包络特征xt、源说话人标签cs和i向量I-vectors，以及目标说话人标签ct、i向量I-vectort，输入到STARGAN网络进行训练，所述的STARGAN网络由生成器G、鉴别器D和分类器C组成，所述的生成器G由编码网络和解码网络构成；
(1.4)训练过程使生成器G的损失函数、鉴别器D的损失函数、分类器C的损失函数尽量小，直至设置的迭代次数，得到训练好的STARGAN网络；
(1.5)构建从源说话人的语音基频到目标说话人的语音基频的基频转换函数；
所述转换阶段包括以下步骤：
(2.1)将待转换语料中源说话人的语音通过WORLD语音分析/合成模型提取出频谱包络特征xs′、非周期性特征和基频；
(2.2)将上述源说话人频谱包络特征xs′、目标说话人标签特征ct′、目标说话人i向量I-vectort′输入(1.4)中训练好的STARGAN网络，重构出目标说话人频谱包络特征xtc′；
(2.3)通过(1.5)得到的基频转换函数，将(2.1)中提取出的源说话人基频转换为目标说话人的基频；
(2.4)将(2.2)中得到的目标说话人频谱包络特征xtc′、(2.3)中得到的目标说话人的基频和(2.1)中提取的非周期性特征通过WORLD语音分析/合成模型，合成得到转换后的说话人语音。
进一步的，步骤(1.3)和(1.4)中的训练过程包括以下步骤：
(1)将源说话人的频谱包络特征xs输入生成器G的编码网络，得到说话人无关的语义特征G(xs)；
(2)将上述得到的语义特征G(xs)与目标说话人的标签特征ct、目标说话人的i向量I-vectort一同输入到生成器G的解码网络进行训练，在训练过程中最小化生成器G的损失函数，从而得到目标说话人的频谱包络特征xtc；
(3)将上述得到的目标说话人的频谱包络特征xtc，再次输入到生成器G的编码网络，得到说话人无关的语义特征G(xtc)；
(4)将上述得到的语义特征G(xtc)与源说话人标签特征cs、源说话人i向量I-vectors输入到生成器G的解码网络进行训练，在训练过程中最小化生成器G的损失函数，得到重构源说话人的频谱包络特征xsc；
(5)将目标说话人的频谱包络特征xtc、目标说话人频谱特征xt,以及目标说话人的标签特征ct一同输入到鉴别器D中进行训练，最小化鉴别器的损失函数；
(6)将目标说话人的频谱包络特征xtc和目标说话人的频谱包络特征xt输入分类器C进行训练，最小化分类器的损失函数；
(7)回到步骤(1)重复上述步骤，直至达到迭代次数，从而得到训练好的STARGAN网络。
进一步的，步骤(2.2)中的输入过程包括以下步骤：
(1)将源说话人的频谱包络特征xs′输入生成器G的编码网络，得到说话人无关的语义特征G(xs)′；
(2)将上述得到的语义特征G(xs)′与目标说话人的标签特征ct′、目标说话人的i向量I-vectort′一同输入到生成器G的解码网络，得到目标说话人的频谱包络特征xtc′。
进一步的，所述的生成器G采用二维卷积神经网络，损失函数为：
其中，λcls＞＝0、λcyc＞＝0和λid＞＝0是正则化参数，分别表示分类损失、循环一致性损失和特征映射损失的权重，Lcyc(G)、Lid(G)分别表示生成器的对抗损失、分类器优化生成器的分类损失、循环一致损失、特征映射损失；
所述的鉴别器D采用二维卷积神经网络，损失函数为：
其中，D(xt,ct)表示鉴别器D判别真实频谱特征，G(xs,ct,I-vectort)表示生成器G生成的目标说话人频谱特征，D(G(xs,ct,I-vectort),ct)表示鉴别器判别生成的频谱特征，表示生成器G生成的概率分布的期望，表示真实概率分布的期望；
所述的分类器采用二维卷积神经网络C，损失函数为:
其中，pC(ct|xt)表示分类器判别目标说话人特征为标签ct的真实频谱的概率。
进一步的，
其中，表示生成器生成的概率分布的期望，G(xs,ct,I-vectort)表示生成器生成频谱特征；
其中，pC(ct|G(xs,ct,I-vectort))表示分类器判别生成目标说话人频谱标签属于ct的概率，G(xs,ct,I-vectort)表示生成器生成的目标说话人频谱；
其中，G(G(xs,ct,I-vectort),cs)为重构的源说话人频谱特征，为重构源说话人频谱和真实源说话人频谱的损失期望；
其中，G(xs,cs,I-vectors)为源说话人频谱、说话人标签和i向量，输入到生成器后得到的源说话人频谱特征,为xs和G(xs,cs,I-vectors)的损失期望。
进一步的，所述的生成器G的编码网络包括5个卷积层，5个卷积层的过滤器大小分别为3*9、4*8、4*8、3*5、9*5，步长分别为1*1、2*2、2*2、1*1、9*1，过滤器深度分别为32、64、128、64、5；生成器G的解码网络包括5个反卷积层，5个反卷积层的过滤器大小分别为9*5、3*5、4*8、4*8、3*9，步长分别为9*1、1*1、2*2、2*2、1*1，过滤器深度分别为64、128、64、32、1。
进一步的，所述的鉴别器D包括5个卷积层，5个卷积层的过滤器大小分别为3*9、3*8、3*8、3*6、36*5，步长分别为1*1、1*2、1*2、1*2、36*1，过滤器深度分别为32、 32、32、32、1。
进一步的，所述的分类器C包括5个卷积层，5个卷积层的过滤器大小分别为4*4、4*4、4*4、3*4、1*4，步长分别为2*2、2*2、2*2、1*2、1*2，过滤器深度分别为8、 16、32、16、4。
进一步的，所述的基频转换函数为：
其中，μs和σs分别为源说话人的基频在对数域的均值和方差，μt和σt分别为目标说话人的基频在对数域的均值和方差，logf0s为源说话人的对数基频，logf0t′为转换后对数基频。
有益效果：本方法能够使用循环对抗网络，通过降低循环对抗损失能够较好地提升转换后语音的个性相似度和语音质量，特别是用STARGAN与i向量相结合来实现语音转换系统，能够较好地提升转换后语音的个性相似度和语音质量，特别是对于短时话语 i向量具有更好的表征性能，语音转换质量更好，同时可以克服C-VAE中过平滑的问题，实现了一种高质量的语音转换方法。此外，本方法能够实现非平行文本条件下的语音转换，而且训练过程不需要任何对齐过程，提高了语音转换系统的通用性和实用性，本方法还可以将多个源-目标说话人对的转换系统整合在一个转换模型中，即实现多说话人对多说话人转换，在跨语种语音转换、电影配音、语音翻译等领域有较好的应用前景。
附图说明
图1是本方法的整体流程图。
具体实施方式
如图1所示，本发明所述的方法分为两个部分：训练部分用于得到语音转换所需的参数和转换函数，而转换部分用于实现源说话人语音转换为目标说话人语音。
训练阶段实施步骤为：
1.1)获取非平行文本的训练语料，训练语料是多名说话人的语料，包含源说话人和目标说话人。训练语料取自VCC2018语音语料库。该语料库的训练集中有6个男性和6 个女性说话人，每个说话人有81句语料。本方法既可以在平行文本下实现转换，也可以在非平行文本下实现转换，所以这些训练语料也可以是非平行文本的。
1.2)训练语料通过WORLD语音分析/合成模型提取出各说话人语句的频谱包络特征 x、非周期性特征、对数基频logf0。同时提取出代表各说话人个性化特征的i向量I-vector。其中由于快速傅氏变换(Fast Fourier Transformation，FFT)长度设置为1024，因此得到的频谱包络特征x和非周期性特征均为1024/2+1＝513维。每一个语音块有512帧，从频谱包络特征中提取36维的梅尔倒谱系数(MCEP)特征，一次训练时取8个语音块。因此，训练语料的维度为8*36*512。
I-vector是在GMM-UBM超向量和信道分析的基础上提出的一种新型的低维定长特征向量。对于p维的输入语音，GMM-UBM模型采用最大后验概率(MAP)算法对GMM 中的均值向量参数进行自适应可以得到GMM超向量。其中，GMM-UBM模型可以表征大量说话人整个声学空间的内部结构，所有说话人的高斯混合模型具有相同的协方差矩阵和权重参数。由于在说话人的语音中包含了语音个性差异信息和信道差异信息，因此全局GMM的超向量可以定义为：S＝m+Tω
其中，S表示说话人的超向量，m表示与特定说话人和信道无关的的均值超向量，即UBM模型下的超向量，T是低维的全局差异空间矩阵，表示背景数据的说话人空间，包含了说话人信息和信道信息在空间上的统计分布，也称为全局差异子空间(Total VariabilitySubspace，TVS)。ω＝(ω1,ω2,...,ωq)是包含整段语音中的说话人信息和信道信息的全局变化因子，服从标准正态分布N(0,1)，称之为i向量(I-vector)或身份向量，代表了各说话人个性化特征。
在I-Vector的求解过程中，有两个关键步骤：1：全局差异空间矩阵T的估计2：I-Vector 的估计。
全局差异空间矩阵T的估计，我们认为每一段语音都来自不同的说话人，对于此我们的采用如下过程来估计T矩阵：
1：计算训练数据库中每个说话人所对应的Baum-Welch统计量
2：随机产生T的初始值。采用如下EM算法，迭代估计T矩阵
E-Step计算隐变量ω的后验分布，ω的后验均值和后验相关矩阵的期望形式。
M-Step最大似然值重估，重新更新T矩阵。
多次迭代后，得到全局差异空间矩阵T
全局差异空间矩阵T估计完毕后，提取I-Vector矢量，即S＝m+Tω中的ω。具体过程如下：
1、计算数据库中每个目标说话人所对应的Baum-Welch统计量
2、读入已训练好的全局差异空间矩阵T
3、根据公式，计算ω的后验均值，即为I-Vector。
整个提取过程用kaldi完成。
1.3)本实施例中的STARGAN网络以Cycle-GAN模型为基础，通过改善GAN的结构，以及结合分类器，来提升Cycle-GAN效果。STARGAN由三部分组成：一个产生真实的频谱的生成器G，一个判断输入是真实的频谱还是生成的频谱的鉴别器D，以及一个判别生成频谱的标签是否属于ct的分类器C。
STARGAN网络的目标函数为：
其中，IG(G)为生成器的损失函数：
其中，λcls＞＝0、λcyc＞＝0和λid＞＝0是正则化参数，分别表示分类损失、循环一致性损失和特征映射损失的权重。Lcyc(G)、Lid(G)分别表示生成器的对抗损失、分类器优化生成器的分类损失、循环一致损失、特征映射损失。
鉴别器的损失函数为：
D(xt,ct)表示鉴别器判别真实频谱特征，G(xs,ct,I-vectort)表示生成器生成的目标说话人频谱特征，D(G(xs,ct,I-vectort),ct)表示鉴别器判别生成的频谱特征。表示生成器生成的概率分布的期望，表示真实概率分布的期望。
分类器二维卷积神经网络的损失函数为：
其中，pC(ct|xt)表示分类器判别目标说话人特征为标签ct的真实频谱的概率。
1.4)将1.2)中提取的源说话人频谱包络特征xs与目标说话人标签特征ct、i向量I-vectort作为联合特征(xs,ct,I-vectort)输入生成器进行训练。训练生成器，使生成器的损失函数LG尽量小，得到生成目标说话人频谱包络特征xtc。
生成器采用二维卷积神经网络，由编码网络和解码网络构成。编码网络包括5个卷积层，5个卷积层的过滤器大小分别为3*9、4*8、4*8、3*5、9*5，步长分别为1*1、2*2、 2*2、1*1、9*1，过滤器深度分别为32、64、128、64、5。解码网络包括5个反卷积层， 5个反卷积层的过滤器大小分别为9*5、3*5、4*8、4*8、3*9，步长分别为9*1、1*1、 2*2、2*2、1*1，过滤器深度分别为64、128、64、32、1。
1.5)将1.4)得到的生成目标说话人频谱包络特征xtc和1.2)得到的训练语料的目标说话人频谱包络特征xt以及目标说话人标签ct，一同作为鉴别器的输入，训练鉴别器，使鉴别器的损失函数尽可能小。
鉴别器采用二维卷积神经网络，包括5个卷积层，5个卷积层的过滤器大小分别为3*9、3*8、3*8、3*6、36*5，步长分别为1*1、1*2、1*2、1*2、36*1，过滤器深度分别为32、32、32、32、1。
鉴别器的损失函数为：
优化目标为：
1.6)将上述得到的目标说话人的频谱包络特征xtc，再次输入到生成器G的编码网络，得到说话人无关的语义特征G(xtc)，将上述得到的语义特征G(xtc)与源说话人标签特征cs、源说话人i向量I-vectors输入到生成器G的解码网络进行训练，在训练过程中最小化生成器G的损失函数，得到重构源说话人的频谱包络特征xsc。在训练过程中最小化生成器的损失函数，包括生成器的对抗损失、循环一致损失、特征映射损失以及生成器的分类损失。其中，训练循环一致损失是为了使源说话人频谱特征xs在经过生成器G后，所重构的源说话人频谱特征xsc可以和xs尽可能保持一致。训练特征映射损失，是为了保证xs在经过生成器G后说话人标签仍是cs、分类损失指分类器判别生成器所生成的目标说话人频谱xtc属于标签ct的概率损失。
生成器的损失函数为：
优化目标为：
其中，λcls＞＝0、λcyc＞＝0和λid＞＝0是正则化参数，分别表示分类损失、循环一致性损失和特征映射损失的权重。
表示GAN中生成器的对抗损失:
其中，表示生成器生成的概率分布的期望，G(xs,ct,I-vectort)表示生成器生成频谱特征。和鉴别器的损失共同构成GAN中常见的对抗损失，用来判别输入鉴别器的频谱是真实频谱还是生成频谱。在训练过程中尽可能小，生成器不断优化，直至生成能够以假乱真的频谱特征G(xs,ct,I-vectort)，使得鉴别器难以判别真假。
为分类器C用来优化生成器的分类损失：
其中，pC(ct|G(xs,ct,X-vectort))表示分类器判别生成目标说话人频谱标签属于ct的概率，G(xs,ct,I-vectort)表示生成器生成的目标说话人频谱。在训练过程中，尽可能小，使得生成器G生成的频谱G(xs,ct,I-vectort)能够被分类器正确分类为标签ct。
Lcyc(G)和Lid(G)借鉴Cycle-GAN模型中生成器的损失，Lcyc(G)为生成器G中循环一致损失：
其中，G(G(xs,ct,I-vectort),cs)为重构的源说话人频谱特征，为重构源说话人频谱和真实源说话人频谱的损失期望。在训练生成器的损失中，Lcyc(G)尽可能小，使生成目标频谱G(xs,ct,I-vectort)、源说话人标签cs再次输入到生成器后，得到的重构源说话人语音频谱尽可能和xs相似。通过训练Lcyc(G)，可以有效保证说话人语音的语义特征，在经过生成器的编码以后不被损失。
Lid(G)为生成器G的特征映射损失：
其中，G(xs,cs,I-vectors)为源说话人频谱、说话人标签和i向量，输入到生成器后得到的源说话人频谱特征,为xs和G(xs,cs,I-vectors)的损失期望。训练Lid(G)，可以有效保证输入频谱的标签cs和说话人表示向量I-vectors在输入生成器后仍保持不变。
1.7)将上述生成的目标说话人频谱包络特征xtc和目标说话人的频谱包络特征xt输入分类器进行训练，最小化分类器的损失函数。
分类器采用二维卷积神经网络C，包括5个卷积层，5个卷积层的过滤器大小分别为4*4、4*4、4*4、3*4、1*4，步长分别为2*2、2*2、2*2、1*2、1*2，过滤器深度分别为8、16、32、16、4。
分类器二维卷积神经网络的损失函数为：
优化目标为：
1.8)重复1.4)、1.5)、1.6)和1.7)，直至达到迭代次数，从而得到训练好的STARGAN网络，其中生成器参数φ、鉴别器参数θ、分类器参数ψ为训练好的参数。由于神经网络具体设置不同以及实验设备性能不同，选择的迭代次数也各不相同。本实验中选择迭代次数为20000次。
1.9)使用对数基频logf0的均值和方差建立基音频率转换关系，统计出每个说话人的对数基频的均值和方差，利用对数域线性变换将源说话人对数基频logf0s转换得到目标说话人对数基频logf0t′。
基频转换函数为：
其中，μs和σs分别为源说话人的基频在对数域的均值和方差，μt和σt分别为目标说话人的基频在对数域的均值和方差。
转换阶段实施步骤为：
2.1)将源说话人语音通过WORLD语音分析/合成模型，提取源说话人的不同语句的频谱包络特征xs′、非周期性特征、基频。其中由于快速傅氏变换(FFT)长度设置为1024，因此得到的频谱包络特征xs′和非周期性特征均为1024/2+1＝513维。
2.2)将2.1)提取的源说话人语音的频谱包络特征xs′与目标说话人标签特征ct′、目标说话人i向量I-vectort′作为联合特征(xs′,ct′,I-vectort′)输入1.8)训练的STARGAN网络，从而重构出目标说话人频谱包络特征xtc′。
2.3)通过1.9)得到的基音频率转换函数，将2.1)中提取出的源说话人基频转换为目标说话人的基频。
2.4)将2.2)中得到的目标说话人频谱包络特征xtc′、2.3)中得到的目标说话人的基频和2.1)提取的非周期性特征通过WORLD语音分析/合成模型合成转换后的说话人语音。
Claims (9)
1.一种基于STARGAN和i向量的多对多说话人转换方法，其特征在于包括训练阶段和转换阶段，所述训练阶段包括以下步骤：
(1.1)获取训练语料，训练语料由多名说话人的语料组成，包含源说话人和目标说话人；
(1.2)将所述的训练语料通过WORLD语音分析/合成模型，提取出各说话人语句的频谱包络特征x、基频特征、i向量；
(1.3)将源说话人的频谱包络特征xs、目标说话人的频谱包络特征xt、源说话人标签cs和源说话人i向量I-vectors，以及目标说话人标签ct、目标说话人i向量I-vectort，输入到STARGAN网络进行训练，所述的STARGAN网络由生成器G、鉴别器D和分类器C组成，所述的生成器G由编码网络和解码网络构成；
(1.4)训练过程使生成器G的损失函数、鉴别器D的损失函数、分类器C的损失函数尽量小，直至设置的迭代次数，得到训练好的STARGAN网络；
(1.5)构建从源说话人的语音基频到目标说话人的语音基频的基频转换函数；
所述转换阶段包括以下步骤：
(2.1)将待转换语料中源说话人的语音通过WORLD语音分析/合成模型提取出频谱包络特征xs′、非周期性特征和基频；
(2.2)将上述源说话人频谱包络特征xs′、目标说话人标签特征ct′、目标说话人i向量I-vectort′输入(1.4)中训练好的STARGAN网络，重构出目标说话人频谱包络特征xtc′；
(2.3)通过(1.5)得到的基频转换函数，将(2.1)中提取出的源说话人基频转换为目标说话人的基频；
(2.4)将(2.2)中得到的目标说话人频谱包络特征xtc′、(2.3)中得到的目标说话人的基频和(2.1)中提取的非周期性特征通过WORLD语音分析/合成模型，合成得到转换后的说话人语音。
2.根据权利要求1所述的基于STARGAN和i向量的多对多说话人转换方法，其特征在于：步骤(1.3)和(1.4)中的训练过程包括以下步骤：
(1)将源说话人的频谱包络特征xs输入生成器G的编码网络，得到说话人无关的语义特征G(xs)；
(2)将上述得到的语义特征G(xs)与目标说话人的标签特征ct、目标说话人的i向量I-vectort一同输入到生成器G的解码网络进行训练，在训练过程中最小化生成器G的损失函数，从而得到目标说话人的频谱包络特征xtc；
(3)将上述得到的目标说话人的频谱包络特征xtc，再次输入到生成器G的编码网络，得到说话人无关的语义特征G(xtc)；
(4)将上述得到的语义特征G(xtc)与源说话人标签特征cs、源说话人i向量I-vectors输入到生成器G的解码网络进行训练，在训练过程中最小化生成器G的损失函数，得到重构源说话人的频谱包络特征xsc；
(5)将目标说话人的频谱包络特征xtc、目标说话人频谱特征xt,以及目标说话人的标签特征ct一同输入到鉴别器D中进行训练，最小化鉴别器的损失函数；
(6)将目标说话人的频谱包络特征xtc和目标说话人的频谱包络特征xt输入分类器C进行训练，最小化分类器的损失函数；
(7)回到步骤(1)重复上述步骤，直至达到迭代次数，从而得到训练好的STARGAN网络。
3.根据权利要求1所述的基于STARGAN和i向量的多对多说话人转换方法，其特征在于：步骤(2.2)中的输入过程包括以下步骤：
(1)将源说话人的频谱包络特征xs′输入生成器G的编码网络，得到说话人无关的语义特征G(xs)′；
(2)将上述得到的语义特征G(xs)′与目标说话人的标签特征ct′、目标说话人的i向量I-vectort′一同输入到生成器G的解码网络，得到目标说话人的频谱包络特征xtc′。
4.根据权利要求1所述的基于STARGAN和i向量的多对多说话人转换方法，其特征在于：所述的生成器G采用二维卷积神经网络，损失函数为：
其中，λcls＞＝0、λcyc＞＝0和λid＞＝0是正则化参数，分别表示分类损失、循环一致性损失和特征映射损失的权重，Lcyc(G)、Lid(G)分别表示生成器的对抗损失、分类器优化生成器的分类损失、循环一致损失、特征映射损失；
所述的鉴别器D采用二维卷积神经网络，损失函数为：
其中，D(xt,ct)表示鉴别器D判别真实频谱特征，G(xs,ct,I-vectort)表示生成器G生成的目标说话人频谱特征，D(G(xs,ct,I-vectort),ct)表示鉴别器判别生成的频谱特征，表示生成器G生成的概率分布的期望，表示真实概率分布的期望；
所述的分类器采用二维卷积神经网络C，损失函数为:
其中，pC(ct|xt)表示分类器判别目标说话人特征为标签ct的真实频谱的概率。
5.根据权利要求4所述的基于STARGAN和i向量的多对多说话人转换方法，其特征在于：
其中，表示生成器生成的概率分布的期望，G(xs,ct,I-vectort)表示生成器生成频谱特征；
其中，pC(ct|G(xs,ct,I-vectort))表示分类器判别生成目标说话人频谱标签属于ct的概率，G(xs,ct,I-vectort)表示生成器生成的目标说话人频谱；
其中，G(G(xs,ct,I-vectort),cs)为重构的源说话人频谱特征，为重构源说话人频谱和真实源说话人频谱的损失期望；
其中，G(xs,cs,I-vectors)为源说话人频谱、说话人标签和i向量，输入到生成器后得到的源说话人频谱特征,为xs和G(xs,cs,I-vectors)的损失期望。
6.根据权利要求5所述的基于STARGAN和i向量的多对多说话人转换方法，其特征在于：所述的生成器G的编码网络包括5个卷积层，5个卷积层的过滤器大小分别为3*9、4*8、4*8、3*5、9*5，步长分别为1*1、2*2、2*2、1*1、9*1，过滤器深度分别为32、64、128、64、5；生成器G的解码网络包括5个反卷积层，5个反卷积层的过滤器大小分别为9*5、3*5、4*8、4*8、3*9，步长分别为9*1、1*1、2*2、2*2、1*1，过滤器深度分别为64、128、64、32、1。
7.根据权利要求5所述的基于STARGAN和i向量的多对多说话人转换方法，其特征在于：所述的鉴别器D包括5个卷积层，5个卷积层的过滤器大小分别为3*9、3*8、3*8、3*6、36*5，步长分别为1*1、1*2、1*2、1*2、36*1，过滤器深度分别为32、32、32、32、1。
8.根据权利要求5所述的基于STARGAN和i向量的多对多说话人转换方法，其特征在于：所述的分类器C包括5个卷积层，5个卷积层的过滤器大小分别为4*4、4*4、4*4、3*4、1*4，步长分别为2*2、2*2、2*2、1*2、1*2，过滤器深度分别为8、16、32、16、4。
9.根据权利要求1至8任一项所述的基于STARGAN和i向量的多对多说话人转换方法，其特征在于：所述的基频转换函数为：
其中，μs和σs分别为源说话人的基频在对数域的均值和方差，μt和σt分别为目标说话人的基频在对数域的均值和方差，logf0s为源说话人的对数基频，logf0t′为转换后对数基频。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910397833.9A CN110136686A (zh) | 2019-05-14 | 2019-05-14 | 基于STARGAN与i向量的多对多说话人转换方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910397833.9A CN110136686A (zh) | 2019-05-14 | 2019-05-14 | 基于STARGAN与i向量的多对多说话人转换方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110136686A true CN110136686A (zh) | 2019-08-16 |
Family
ID=67573796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910397833.9A Pending CN110136686A (zh) | 2019-05-14 | 2019-05-14 | 基于STARGAN与i向量的多对多说话人转换方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136686A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110600046A (zh) * | 2019-09-17 | 2019-12-20 | 南京邮电大学 | 基于改进的STARGAN和x向量的多对多说话人转换方法 |
| CN110600047A (zh) * | 2019-09-17 | 2019-12-20 | 南京邮电大学 | 基于Perceptual STARGAN的多对多说话人转换方法 |
| CN111462768A (zh) * | 2020-03-12 | 2020-07-28 | 南京邮电大学 | 基于共享训练的多尺度StarGAN的语音转换方法 |
| CN111816156A (zh) * | 2020-06-02 | 2020-10-23 | 南京邮电大学 | 基于说话人风格特征建模的多对多语音转换方法及系统 |
| CN111968617A (zh) * | 2020-08-25 | 2020-11-20 | 云知声智能科技股份有限公司 | 一种非平行数据的语音转换方法及系统 |
| CN113643687A (zh) * | 2021-07-08 | 2021-11-12 | 南京邮电大学 | 融合DSNet与EDSR网络的非平行多对多语音转换方法 |
| WO2022121180A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技（深圳）有限公司 | 模型的训练方法、装置、语音转换方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648759A (zh) * | 2018-05-14 | 2018-10-12 | 华南理工大学 | 一种文本无关的声纹识别方法 |
| CN109326283A (zh) * | 2018-11-23 | 2019-02-12 | 南京邮电大学 | 非平行文本条件下基于文本编码器的多对多语音转换方法 |
| CN109377978A (zh) * | 2018-11-12 | 2019-02-22 | 南京邮电大学 | 非平行文本条件下基于i向量的多对多说话人转换方法 |
| CN109584893A (zh) * | 2018-12-26 | 2019-04-05 | 南京邮电大学 | 非平行文本条件下基于VAE与i-vector的多对多语音转换系统 |
| CN109599091A (zh) * | 2019-01-14 | 2019-04-09 | 南京邮电大学 | 基于STARWGAN-GP和x向量的多对多说话人转换方法 |
| CN109671442A (zh) * | 2019-01-14 | 2019-04-23 | 南京邮电大学 | 基于STARGAN与x向量的多对多说话人转换方法 |
-
2019
- 2019-05-14 CN CN201910397833.9A patent/CN110136686A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648759A (zh) * | 2018-05-14 | 2018-10-12 | 华南理工大学 | 一种文本无关的声纹识别方法 |
| CN109377978A (zh) * | 2018-11-12 | 2019-02-22 | 南京邮电大学 | 非平行文本条件下基于i向量的多对多说话人转换方法 |
| CN109326283A (zh) * | 2018-11-23 | 2019-02-12 | 南京邮电大学 | 非平行文本条件下基于文本编码器的多对多语音转换方法 |
| CN109584893A (zh) * | 2018-12-26 | 2019-04-05 | 南京邮电大学 | 非平行文本条件下基于VAE与i-vector的多对多语音转换系统 |
| CN109599091A (zh) * | 2019-01-14 | 2019-04-09 | 南京邮电大学 | 基于STARWGAN-GP和x向量的多对多说话人转换方法 |
| CN109671442A (zh) * | 2019-01-14 | 2019-04-23 | 南京邮电大学 | 基于STARGAN与x向量的多对多说话人转换方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110600046A (zh) * | 2019-09-17 | 2019-12-20 | 南京邮电大学 | 基于改进的STARGAN和x向量的多对多说话人转换方法 |
| CN110600047A (zh) * | 2019-09-17 | 2019-12-20 | 南京邮电大学 | 基于Perceptual STARGAN的多对多说话人转换方法 |
| CN111462768A (zh) * | 2020-03-12 | 2020-07-28 | 南京邮电大学 | 基于共享训练的多尺度StarGAN的语音转换方法 |
| CN111816156A (zh) * | 2020-06-02 | 2020-10-23 | 南京邮电大学 | 基于说话人风格特征建模的多对多语音转换方法及系统 |
| CN111816156B (zh) * | 2020-06-02 | 2023-07-21 | 南京邮电大学 | 基于说话人风格特征建模的多对多语音转换方法及系统 |
| CN111968617A (zh) * | 2020-08-25 | 2020-11-20 | 云知声智能科技股份有限公司 | 一种非平行数据的语音转换方法及系统 |
| CN111968617B (zh) * | 2020-08-25 | 2024-03-15 | 云知声智能科技股份有限公司 | 一种非平行数据的语音转换方法及系统 |
| WO2022121180A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技（深圳）有限公司 | 模型的训练方法、装置、语音转换方法、设备及存储介质 |
| CN113643687A (zh) * | 2021-07-08 | 2021-11-12 | 南京邮电大学 | 融合DSNet与EDSR网络的非平行多对多语音转换方法 |
| CN113643687B (zh) * | 2021-07-08 | 2023-07-18 | 南京邮电大学 | 融合DSNet与EDSR网络的非平行多对多语音转换方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109671442A (zh) | 基于STARGAN与x向量的多对多说话人转换方法 | |
| CN110136686A (zh) | 基于STARGAN与i向量的多对多说话人转换方法 | |
| CN109326283B (zh) | 非平行文本条件下基于文本编码器的多对多语音转换方法 | |
| CN110060690A (zh) | 基于STARGAN和ResNet的多对多说话人转换方法 | |
| Wu et al. | Vqvc+: One-shot voice conversion by vector quantization and u-net architecture | |
| Saito et al. | Non-parallel voice conversion using variational autoencoders conditioned by phonetic posteriorgrams and d-vectors | |
| CN109377978B (zh) | 非平行文本条件下基于i向量的多对多说话人转换方法 | |
| US20210350786A1 (en) | Speech Recognition Using Unspoken Text and Speech Synthesis | |
| Nishizaki | Data augmentation and feature extraction using variational autoencoder for acoustic modeling | |
| Kanda et al. | Elastic spectral distortion for low resource speech recognition with deep neural networks | |
| CN109599091A (zh) | 基于STARWGAN-GP和x向量的多对多说话人转换方法 | |
| CN110111783A (zh) | 一种基于深度神经网络的多模态语音识别方法 | |
| Jemine | Real-time voice cloning | |
| CN110060657A (zh) | 基于sn的多对多说话人转换方法 | |
| CN110060691A (zh) | 基于i向量和VARSGAN的多对多语音转换方法 | |
| Wang et al. | Accent and speaker disentanglement in many-to-many voice conversion | |
| Hashimoto et al. | Trajectory training considering global variance for speech synthesis based on neural networks | |
| Xie et al. | A KL divergence and DNN approach to cross-lingual TTS | |
| Masumura et al. | Sequence-level consistency training for semi-supervised end-to-end automatic speech recognition | |
| Zen et al. | Context-dependent additive log f_0 model for HMM-based speech synthesis | |
| Pervaiz et al. | Emotion recognition from speech using prosodic and linguistic features | |
| Wu et al. | Multilingual text-to-speech training using cross language voice conversion and self-supervised learning of speech representations | |
| Abumallouh et al. | Deep neural network combined posteriors for speakers' age and gender classification | |
| Hu et al. | Spoken arabic digits recognition based on wavelet neural networks | |
| Othmane et al. | Enhancement of esophageal speech using voice conversion techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
| RJ01 | Rejection of invention patent application after publication |