情感语音转换中的情感强度及其控制

情感语音转换（EVC）旨在转换话语的情感状态，同时保留语言内容与说话人身份。在 EVC 中，情感通常被视为离散类别，忽略了语音还以听者能感知的不同强度水平传达情感这一事实。本文旨在显式刻画并控制情感强度。我们提出将说话人风格与语言内容解耦，并将说话人风格编码为连续空间中的风格嵌入，该嵌入构成情感嵌入的原型。我们进一步从带情感标注的数据库中学习实际的情感编码器，并研究利用相对属性表示细粒度情感强度。为确保情感可懂度，我们将情感分类损失与情感嵌入相似度损失纳入 EVC 网络的训练。如预期所示，所提网络控制了输出语音中的细粒度情感强度。通过客观与主观评测，我们验证了所提网络在情感表现力与情感强度控制上的有效性。