[发明专利]基于STARGAN和x向量的多对多说话人转换方法

摘要

本发明公开了一种基于STARGAN与x向量的多对多说话人转换方法，包括训练阶段和转换阶段，使用了STARGAN与x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x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。

主权项

1.一种基于STARGAN和x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、以及代表各说话人个性化特征的x向量X‑vector；(1.3)将源说话人的频谱包络特征x_s、目标说话人的频谱包络特征x_t、源说话人标签c_s和x向量X‑vector_s，以及目标说话人标签c_t、x向量X‑vector_t，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)训练过程使生成器的损失函数、鉴别器的损失函数、分类器的损失函数尽量小，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x_s′、非周期性特征和基频；(2.2)将上述源说话人频谱包络特征x_s′、目标说话人标签特征c_t′、目标说话人x向量X‑vector_t′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x_tc′；(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x_tc′、(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。