基于循环一致对抗网络的情感语音转换
音频与语音处理
2020-04-09 v1
摘要
情感语音转换（emotional VC）是一种将语音从一种情感状态转换为另一种情感状态、同时保持基本语言信息与说话人身份的技术。以往的情感语音转换方法需要平行数据，并使用动态时间规整（DTW）方法对源-目标语音参数进行时间对齐。这些方法通常将最小生成损失（如 L1 或 L2 损失）定义为目标函数来学习模型参数。近来，循环一致生成对抗网络（CycleGAN）已成功用于非平行语音转换。本文研究了使用 CycleGAN 进行情感语音转换任务的有效性。CycleGAN 不使用帧到帧最小生成损失来学习平行训练数据之间的映射，而是使用两个判别器与一个分类器来引导学习过程，其中判别器旨在区分自然语音与转换语音，分类器旨在从自然与转换语音中分类潜在情感。CycleGAN 模型的训练过程随机配对源-目标语音参数，无任何时间对齐操作。客观与主观评估结果证实了使用 CycleGAN 模型进行情感语音转换的有效性。CycleGAN 的非平行训练表明其在非平行情感语音转换方面的潜力。
引用
@article{arxiv.2004.03781,
title = {Emotional Voice Conversion With Cycle-consistent Adversarial Network},
author = {Songxiang Liu and Yuewen Cao and Helen Meng},
journal= {arXiv preprint arXiv:2004.03781},
year = {2020}
}
备注
5 pages