[发明专利]基于谐波模型和声源-声道特征分解的语音分析合成方法

说明书

本发明提出了一种语音分析合成方法以及该方法的一种简化形式。本发明所述方法基于谐波模型，在分析阶段将谐波模型的参数分解为声源特征和声道特征，并于合成阶段重新组合声源和声道特征，生成谐波模型参数。

技术领域

本发明涉及语音合成领域，具体涉及语音分析合成和语音编码子领域。

背景技术

语音分析合成技术是将语音信号进行分析，获得一种中间的表达形式，再根据分析结果重新合成的技术。通过修改由分析获得的中间数据，可以改变语音的特性，例如基频、时长、音色等。

在语音合成和音频处理应用中，语音分析合成系统是重要的组成部分。为了能够灵活地修改语音参数，此类应用往往需要一种参数性(parametric)的高质量语音分析合成方法。

常用的语音分析合成方法基于源-滤波器模型(source-filter model)。该模型将人的发音系统建模为周期脉冲(pulse train)信号和一系列级联滤波器，包括声门波(glottal flow)滤波器、声道(vocal tract)滤波器和唇辐射(lip radiation)滤波器。周期脉冲信号是一系列以基频周期间隔的单位脉冲信号。

源-滤波器模型的一种简化形式在语音分析合成技术中被广泛采用。该简化形式将声门波滤波器和唇辐射滤波器合并纳入声道滤波器。基于该简化模型设计的语音分析合成方法包括PSOLA(基音同步叠加)、STRAIGHT、MLSA(梅尔对数频谱逼近滤波器)等。

当语音基频被修改时，该源-滤波器模型的简化形式暴露出一定缺陷。声门波是通过声门的气体的流动速度，反映了声门的张合程度。因为基频决定了声门的张合频率，所以声门波滤波器的单位脉冲响应的时长应等于基频周期，在不同基频下声门波的形状大致不变，但其周期长度随基频改变。然而源-滤波器模型的简化形式中，声门波滤波器被合并到声道滤波器中，故声门波滤波器的频率响应被假设为独立于基频。该假设与发声原理不符，因此在对基频参数进行修改后，基于该简化模型的语音分析合成方法往往不能产生自然的语音。

为了克服上述缺点，近年有若干新语音分析合成技术被提出，例如SVLN(Degottex,Gilles,et al.Mixed source model and its adapted vocal tract filterestimate for voice transformation and synthesis.Speech Communication 55.2(2013):278-294.)和GSS(Cabral,Joao P.,et al.Glottal spectral separation forspeech synthesis.Selected Topics in Signal Processing,IEEE Journal of 8.2(2014):195-208.)方法。这些方法对声门波和声道分别进行建模。由于唇辐射滤波器的特性接近微分器(differentiator)，该滤波器被并入声门波，形成声门波导数。声门波导数则由Liljencrants-Fant声源模型表示。在分析过程中，首先计算声源模型的参数，然后将语音的幅度频谱除以声源模型的幅度响应，并进行频谱包络预测(spectral envelopeestimation)，获得声道的幅度响应。最后基于最小相位假设，根据声道的幅度响应计算声道的频率响应。合成过程相当于逆向进行分析过程，这里不作赘述。

SVLN和GSS方法在一定程度上使基频经过修改的语音听感更加自然，但是该方法同时具有一些缺陷。首先，合成语音的质量容易受声源参数的准确度影响，当声源参数计算不准确时，合成语音的听感会和输入语音有差异。尤其是当输入语音的录制环境和设备不够理想时，声源参数的计算往往会出现较大误差，使得该方法产生的输出变得不够平稳。其次，Liljencrants-Fant声源模型产生的声门波信号和实际的声门波信号有一定差异，因此该方法无法准确还原输入语音，且使用该方法合成的语音听感上稍为尖锐。