[发明专利]基于语音后验概率的多对一语音转换方法有效
| 申请号： | 201710541962.1 | 申请日： | 2017-07-05 |
| 公开（公告）号： | CN107610717B | 公开（公告）日： | 2021-07-06 |
| 发明（设计）人： | 孙立发;李坤;王昊;康世胤;蒙美玲 | 申请（专利权）人： | 香港中文大学 |
| 主分类号： | G10L25/24 | 分类号： | G10L25/24;G10L25/30;G10L21/00;G10L17/04 |
| 代理公司： | 中科专利商标代理有限责任公司 11021 | 代理人： | 杨姗 |
| 地址： | 中国香*** | 国省代码： | 香港;81 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 语音 概率 转换 方法 | ||
1.一种计算机实现的方法，包括：
获得目标语音；
获得源语音；
通过使用所述目标语音的声学特征驱动第一模型来生成所述目标语音的语音后验概率PPG，所述PPG包括与时间范围和语音类别范围相对应的值集合；
从所述目标语音中提取目标梅尔倒谱系数MCEP特征；
使用所述目标语音的所述PPG和所述目标MCEP特征来训练第二模型，以获得所述目标语音的所述PPG与所述目标MCEP特征之间的映射；
通过使用所述源语音的声学特征驱动所述第一模型来生成所述源语音的PPG；以及
使用所述源语音的所述PPG和所训练的第二模型将所述源语音转换为所转换的语音。
2.根据权利要求1所述的计算机实现的方法，其中，所述语音类别范围对应于音素状态范围。
3.根据权利要求1所述的计算机实现的方法，其中，针对所述时间范围中的每个时间，所述值集合对应于所述语音类别范围中的每个语音类别的后验概率，并且其中，所述目标语音的所述PPG包括矩阵。
4.根据权利要求1所述的计算机实现的方法，其中，所述源语音不同于所述目标语音。
5.根据权利要求1所述的计算机实现的方法，其中，所述第一模型包括用于对不同的说话者进行映射的说话者无关的自动语音识别SI-ASR系统。
6.根据权利要求5所述的计算机实现的方法，其中，使用多说话者ASR语料库对所述第一模型进行训练以生成PPG，输入是第t个帧的MFCC特征向量，表示为Xt，并且输出是由Pt＝(p(s|Xt)|s＝1，2，...，C)定义的后验概率的向量，其中，p(s|Xt)是每个语音类别s的后验概率。
7.根据权利要求5所述的计算机实现的方法，其中，训练所述第二模型包括：使用基于双向长短期记忆的递归神经网络DBLSTM结构对所述映射进行建模。
8.根据权利要求7所述的计算机实现的方法，其中，将所述源语音转换为所转换的语音包括：使用所训练的第二模型将所述源语音的所述PPG转换为所转换的MCEP特征。
9.一种包括指令的非暂时性计算机可读介质，所述指令在由处理器执行时，使所述处理器执行包括以下各项的操作：
获得目标语音；
获得源语音；
通过使用所述目标语音的声学特征驱动第一模型来生成所述目标语音的语音后验概率PPG，所述目标语音的所述PPG包括与时间范围和语音类别范围相对应的值集合；
从所述目标语音中提取目标梅尔倒谱系数MCEP特征；
使用所述目标语音的所述PPG和所述目标MCEP特征来训练第二模型，以获得所述目标语音的所述PPG与所述目标MCEP特征之间的映射；
通过使用所述源语音的声学特征驱动所述第一模型来生成所述源语音的PPG；以及
使用所述源语音的所述PPG和所训练的第二模型将所述源语音转换为所转换的语音。
10.根据权利要求9所述的非暂时性计算机可读介质，其中，所述语音类别范围对应于音素状态范围。
11.根据权利要求9所述的非暂时性计算机可读介质，其中，针对所述时间范围中的每个时间，所述值集合对应于所述语音类别范围中的每个语音类别的后验概率，并且其中，所述目标语音的所述PPG包括矩阵。
12.根据权利要求9所述的非暂时性计算机可读介质，其中，所述源语音不同于所述目标语音。
13.根据权利要求9所述的非暂时性计算机可读介质，其中，所述第一模型包括用于对不同的说话者进行映射的说话者无关的自动语音识别SI-ASR系统。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于香港中文大学，未经香港中文大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201710541962.1/1.html，转载请声明来源钻瓜专利网。
- 上一篇：音乐分析方法及装置
- 下一篇：一种对语音文件内容进行标记的方法及装置
