基于源到目标直接映射的非并行语音转换
音频与语音处理
2020-06-15 v1
摘要
近期利用音素后验图（PPGs）进行非并行语音转换的工作显著提升了语音转换的可用性，因为源与目标数据库不再需要内容匹配。在该方法中，PPGs被用作源说话人与目标说话人特征之间的语言桥梁。然而，这种基于PPG的非并行语音转换存在局限：转换时需要两个级联网络，使其不太适合实时应用，且在转换阶段易受源说话人可懂度影响。为解决该局限，我们提出一种新的非并行语音转换技术，采用单一神经网络进行源到目标语音参数的直接映射。凭借该单网络结构，所提方法能减少转换时间与网络参数量，这在嵌入式或实时环境中尤为关键。此外，它通过跳过转换阶段的电话识别器提升了语音转换质量，可有效避免基于PPG的间接方法所遭受的音素信息可能损失。实验表明，相较原始基于PPG的方法，我们的方法将网络参数量与转换时间分别减少41.9%与44.5%，且提升了语音相似度。
引用
@article{arxiv.2006.06937,
title = {Non-parallel voice conversion based on source-to-target direct mapping},
author = {Sunghee Jung and Youngjoo Suh and Yeunju Choi and Hoirin Kim},
journal= {arXiv preprint arXiv:2006.06937},
year = {2020}
}
备注
Submitted to Interspeech 2019