[发明专利]基于Transitive STARGAN的多对多说话人转换方法

权利要求书

1.一种基于Transitive STARGAN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，提取出各说话人语音的频谱特征x、非周期性特征以及基频特征；

(1.3)将源说话人的频谱特征x_s、目标说话人的频谱特征x_t、源说话人标签c_s以及目标说话人标签c_t，输入到Transitive STARGAN网络进行训练，所述的Transitive 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，在编码网络与解码网络之间搭建用于优化生成器网络结构的若干层TransNet；

(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，从而得到训练好的Transitive 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特征x_s′、非周期性特征和基频特征；

(2.2)将上述源说话人频谱特征x_s′、目标说话人标签特征c_t′输入步骤(1.4)中训练好的Transitive STARGAN网络，得到目标说话人频谱特征x_tc′；

(2.3)通过步骤(1.5)得到的基频转换函数，将步骤(2.1)中提取出的源说话人基频特征转换为目标说话人的基频特征；

(2.4)将步骤(2.2)中生成的目标说话人频谱特征x_tc′、步骤(2.3)中得到的目标说话人的基频特征和步骤(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Transitive STARGAN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，生成器G的解码网络包括5个反卷积层，所搭建的TransNet为4层，具体为，将编码网络的第一卷积层的输出与解码网络的第四卷积层的输出拼接，然后输入到解码网络的第五卷积层；将编码网络的第二卷积层的输出与解码网络的第三卷积层的输出拼接，然后输入到解码网络的第四卷积层；将编码网络的第三卷积层的输出与解码网络的第二卷积层的输出拼接，然后输入到解码网络的第三卷积层；将编码网络的第四卷积层的输出与解码网络的第一卷积层的输出拼接，然后输入到解码网络的第二卷积层。

3.根据权利要求2所述的基于Transitive STARGAN的多对多说话人转换方法，其特征在于：所述的生成器G的编码网络的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的解码网络的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；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；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。