数据采集与处理
數據採集與處理
수거채집여처리
JOURNAL OF DATA ACQUISITION & PROCESSING
2014年
2期
227-231
,共5页
频谱转换%高斯混合模型%径向基函数%神经网络
頻譜轉換%高斯混閤模型%徑嚮基函數%神經網絡
빈보전환%고사혼합모형%경향기함수%신경망락
spectral conversion%Gaussian mixture model%radial basis function%neural network
为了克服利用高斯混合模型(Gaussian mixture model,GMM)进行语音转换的过程中出现的过平滑现象,考虑到GMM模型参数的均值能够表征转换特征的频谱包络形状,提出一种基于GMM与人工神经网络(Artificial neural network,ANN)混合模型的语音转换.该方法利用ANN对GMM模型参数的均值进行转换;为了获取连续的转换频谱,采用静态和动态频谱特征相结合来逼近转换频谱序列;鉴于基频对语音转换的重要性,在频谱转换的基础上,对基频也进行了分析和转换.最后,通过主观和客观实验对提出的混合模型的语音转换方法的性能进行测试.实验结果表明,与传统的基于GMM模型的语音转换方法相比,本文提出的方法能够获得更好的转换语音.
為瞭剋服利用高斯混閤模型(Gaussian mixture model,GMM)進行語音轉換的過程中齣現的過平滑現象,攷慮到GMM模型參數的均值能夠錶徵轉換特徵的頻譜包絡形狀,提齣一種基于GMM與人工神經網絡(Artificial neural network,ANN)混閤模型的語音轉換.該方法利用ANN對GMM模型參數的均值進行轉換;為瞭穫取連續的轉換頻譜,採用靜態和動態頻譜特徵相結閤來逼近轉換頻譜序列;鑒于基頻對語音轉換的重要性,在頻譜轉換的基礎上,對基頻也進行瞭分析和轉換.最後,通過主觀和客觀實驗對提齣的混閤模型的語音轉換方法的性能進行測試.實驗結果錶明,與傳統的基于GMM模型的語音轉換方法相比,本文提齣的方法能夠穫得更好的轉換語音.
위료극복이용고사혼합모형(Gaussian mixture model,GMM)진행어음전환적과정중출현적과평활현상,고필도GMM모형삼수적균치능구표정전환특정적빈보포락형상,제출일충기우GMM여인공신경망락(Artificial neural network,ANN)혼합모형적어음전환.해방법이용ANN대GMM모형삼수적균치진행전환;위료획취련속적전환빈보,채용정태화동태빈보특정상결합래핍근전환빈보서렬;감우기빈대어음전환적중요성,재빈보전환적기출상,대기빈야진행료분석화전환.최후,통과주관화객관실험대제출적혼합모형적어음전환방법적성능진행측시.실험결과표명,여전통적기우GMM모형적어음전환방법상비,본문제출적방법능구획득경호적전환어음.
