用于 WaveNet 声码器的塌陷语音段检测与抑制

在本文中，我们提出一种技术，以缓解由 WaveNet 声码器有时生成的塌陷语音段引起的质量退化。近期工作已证明 WaveNet 声码器在从声学特征生成自然语音方面的有效性。然而，当只有有限的训练数据可用，或训练数据与测试数据之间存在显著的声学失配时，它有时会生成带有塌陷语音段的极嘈杂语音。在语音转换和语音增强等某些语音生成应用中，语料库上的这种限制和模型的有限能力很容易发生。为解决此问题，我们提出一种自动检测塌陷语音段的技术。此外，为了修正检测到的片段，我们还提出了一种使用线性预测编码约束的 WaveNet 波形生成技术。我们进行了验证和主观测试，以研究所提出技术的有效性。验证结果表明，该检测技术能够检测出大多数塌陷片段。语音转换的主观评估表明，该生成技术在保持相同说话人相似度的同时，显著提高了语音质量。