DurFlex-EVC：无需文本对齐、利用离散表示的时长灵活情感语音转换

情感语音转换（EVC）涉及修改各种声学特征，如基频和频谱包络，以匹配所需的情感状态，同时保留说话人身份。现有的EVC方法通常依赖文本转录或时间对齐信息，难以有效处理变化的语音时长。在本文中，我们提出了DurFlex-EVC，一个无需文本或对齐信息即可运行的时长灵活EVC框架。我们引入了一个单元对齐器，通过将语音与表示内容的离散单元对齐来建模上下文信息，从而消除了对文本或语音-文本对齐的需求。此外，我们设计了一个风格自编码器，有效解耦内容和情感风格，允许精确操控语音的情感特征。我们通过一个分层风格化编码器进一步增强情感表现力，该编码器在多个层级上应用目标情感风格，细化风格化过程，以提高转换后语音的自然度和表现力。主观和客观评估的实验结果表明，我们的方法优于基线模型，有效处理了时长变化，并增强了转换后语音的情感表现力。