周 迪，簡志華，胡偉通，汪云路

1(浙江宇視科技有限公司，杭州 310051) 2(杭州電子科技大學(xué) 通信工程學(xué)院，杭州 310018) 3(杭州電子科技大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，杭州 310018)

1 引 言

語音轉(zhuǎn)換是一種改變語音信號中說話人特性的技術(shù)，它將一個人的聲音變成另外一個人的聲音，而不改變其中的語義內(nèi)容[1，2].

高斯混合模型(Gaussion Mixture Model，GMM)作為一種概率統(tǒng)計模型，常用于語音轉(zhuǎn)換，是一種主流的轉(zhuǎn)換方法，它的轉(zhuǎn)換函數(shù)是一種加權(quán)求均值的形式[3-6].這種轉(zhuǎn)換方法易于實現(xiàn)且效果不錯，但存在兩點不足：一是統(tǒng)計平均的轉(zhuǎn)換函數(shù)會使得轉(zhuǎn)換后的語音譜包絡(luò)過于平滑，降低語音自然度；二是為了減少模型訓(xùn)練時的計算量，特征參數(shù)常常是低維的，如MFCC、LSP等，但低維參數(shù)會損失語音中較多的信息，會使音質(zhì)下降.最近幾年，稀疏字典在語音處理的多個領(lǐng)域都得到了很好的應(yīng)用，基于語音樣本字典的轉(zhuǎn)換算法逐漸發(fā)展了起來.這些算法常采用高維的語音譜作為特征參數(shù)，并用非負(fù)矩陣分解(Non-negative Matrix Factorization，NMF)求解轉(zhuǎn)換函數(shù)[7-10].該類算法有效地改進(jìn)了基于統(tǒng)計參數(shù)方法的頻譜過于平滑以及由于語料不足所造成的過擬合問題，產(chǎn)生更加自然的語音.但是，上述語音轉(zhuǎn)換算法在實際的噪聲應(yīng)用環(huán)境下，由于噪聲的存在，使得實驗室純凈語音訓(xùn)練的轉(zhuǎn)換系統(tǒng)的性能激劇下降，無法滿足很多實際場景的應(yīng)用需求.

論文在以往NMF轉(zhuǎn)換方法基礎(chǔ)上，提出了采用兩個字典聯(lián)合起來實現(xiàn)噪聲環(huán)境下的語音轉(zhuǎn)換.該算法在訓(xùn)練階段，通過語音庫中的純凈語音得到源語音字典和背景噪聲字典，并將兩者相結(jié)合；在語音轉(zhuǎn)換時，用聯(lián)合字典將輸入的帶噪語音進(jìn)行稀疏表示，根據(jù)源語音字典的權(quán)值矩陣和目標(biāo)語音字典就可以得到轉(zhuǎn)換后的語音，從而完成含噪語音的轉(zhuǎn)換.

2 基于NMF的語音轉(zhuǎn)換

稀疏表示是NMF語音轉(zhuǎn)換的核心[8]，假定某說話人的特征矢量x∈RL×1，則可由其基矢量序列表示為：

(1)

其中J是基矢量aj總的數(shù)目，所有這些基矢量就構(gòu)成語音字典A=[a1，a2，…，aJ]，而hj是相應(yīng)基矢量的加權(quán)系數(shù)，并形成權(quán)值矢量h=[h1，h2，…，hJ]T.

假定有一段D幀的語音，用X∈RL×D表示它的特征矢量序列.利用公式(1)，X可表示為：

X=AH

(2)

其中H∈RJ×D表示權(quán)值矩陣.

為實現(xiàn)轉(zhuǎn)換，在訓(xùn)練階段，對源和目標(biāo)說話人的特征矢量序列用動態(tài)時間規(guī)整(Dynamic Time Warping，DTW)進(jìn)行對齊[11]，并建立平行的源語音字典A和目標(biāo)語音字典B.因此，轉(zhuǎn)換函數(shù)可以表示為：

(3)

3 噪聲魯棒性的語音轉(zhuǎn)換

在NMF轉(zhuǎn)換算法中，由目標(biāo)語音字典B和源語音的權(quán)值矩陣H就可以實現(xiàn)語音轉(zhuǎn)換，但如果在有噪的環(huán)境下，即待轉(zhuǎn)換的語音是含有噪聲的，由純凈語音訓(xùn)練得到模型與含噪語音之間存在不匹配，因此語音轉(zhuǎn)換系統(tǒng)性能會下降，不能有效地實現(xiàn)轉(zhuǎn)換.為此，論文采用增加噪聲字典的方式提出了一種噪聲魯棒性的NMF語音轉(zhuǎn)換算法(Noise Robust NMF，NR-NMF).

3.1 聯(lián)合字典的生成

聯(lián)合字典包含了語音字典和噪聲字典，字典中的原子是一幀信號的頻譜，由于轉(zhuǎn)換階段的輸入語音是含噪的，語音信號的頻譜通過短時傅里葉變換(Short Time Fourier Transform，STFT)來計算.但在訓(xùn)練階段，由于源語音和目標(biāo)語音都是純凈語音，對它們進(jìn)行動態(tài)時間規(guī)整過程中，采用由STRAIGHT模型[12]導(dǎo)出的MCC (Mel-Cepstral Coefficients)作為特征參數(shù)來進(jìn)行規(guī)整，再根據(jù)這些規(guī)整信息來獲得對齊的源、目標(biāo)語音STFT頻譜參數(shù)序列，并建立平行的源語音、目標(biāo)語音字典As和Bs.

同時引入噪聲字典An，將語音字典As與噪聲字典An一同構(gòu)成聯(lián)合字典A，即：

A=[AsAn]

(4)

為使噪聲字典An與實際應(yīng)用場景相匹配，論文提取實際環(huán)境下的噪聲STFT頻譜作為噪聲字典.聯(lián)合字典A生成過程示意圖如圖1所示.

3.2 權(quán)值矩陣的估計

假設(shè)含噪語音中任意第d幀的STFT頻譜特征參數(shù)為xd，則有：

=Ahds.t. hd≥0

(5)

圖1 生成聯(lián)合字典的流程圖Fig.1 Flow chart for generating the joint dictionary

=AHs.t.H≥0

(6)

在X和A已知的情況下，通過最小化損失函數(shù)來估計權(quán)值矩陣H，即：

H=arg min{dKL(X,AH)+‖λΛ1×D.*H‖1}s.t.H≥0

(7)

式(7)中，dKL(·)是KL散度，λ=[λ1…λJ…λJ+K]T是稀疏懲罰因子，包含語音部分懲罰因子和噪聲部分懲罰因子，‖·‖1是l1范數(shù).權(quán)值矩陣H可由乘性迭代更新規(guī)則得到[8]，即：

(8)

其中?表示點乘，式中除法都是點除，矩陣ΛL×D，Λ1×D中的元素都是1.

3.3 特征參數(shù)的轉(zhuǎn)換

權(quán)值矩陣H包含了語音字典的權(quán)值矩陣Hs和噪聲字典的權(quán)值矩陣Hn，即：

(9)

因此轉(zhuǎn)換后的目標(biāo)語音頻譜為：

(10)

3.4 基音頻率的轉(zhuǎn)換

(11)

本文所提出的語音轉(zhuǎn)換系統(tǒng)原理框圖如圖2所示.

圖2 語音轉(zhuǎn)換系統(tǒng)原理框圖Fig.2 Framework of voice conversion system

4 實驗及結(jié)果

實驗采用的CASIA語音庫是實驗室安靜環(huán)境下的漢語語音.語音庫采用相同的文本，即每個人的發(fā)音內(nèi)容是一樣.信號的采樣頻率為16KHz，采用16位比特量化.實驗隨機選用150句作為訓(xùn)練集，50句作為測試集.采用1024點的FFT計算語音STFT頻譜，語音幀長為20ms，幀移為10ms.而含噪語音由噪聲庫Noisex-92中的5種常見噪聲(white、pink、babble、factory、volvo)疊加純凈語音得到.

論文采用文獻(xiàn)[8]中的差異值作為兩個矢量序列之間距離度量，表示為：

(12)

差異值E越小，兩個矢量序列之間就更具有相似性.

4.1 實驗參數(shù)的選擇

實驗中聯(lián)合字典包括語音字典部分和噪聲字典部分，通過使用該聯(lián)合字典達(dá)到含噪語音與字典的匹配.論文先進(jìn)行了兩個字典大小選擇的實驗，其中NMF循環(huán)迭代次數(shù)預(yù)選擇為400，稀疏懲罰因子λ為0.1.圖3顯示了含噪語音和經(jīng)過NMF分解重構(gòu)后語音之間的差異值E跟兩個字典大小關(guān)系.

由圖3(a)可以看出，在不同噪聲字典大小情況下，隨著語音字典幀數(shù)J增大，含噪語音及其重構(gòu)語音之間的差異值E逐漸減小，并且字典幀數(shù)J達(dá)到4000以后，差異值E逐漸趨于穩(wěn)定，因此語音字典幀數(shù)選擇為4000幀.從圖3(b)來看，在各種語音字典大小J的條件下，隨著噪聲字典大小K的增大，含噪語音及其重構(gòu)語音之間的差異值E均逐漸減小，但減小量的越來越小.由于轉(zhuǎn)換算法在實際的應(yīng)用中，需要從背景環(huán)境中獲取噪聲，噪聲字典過大，則需要提取較長時間，不適合實時的處理，所以折中考慮選擇噪聲字典大小K為2000幀.

圖3 差異值E和語音字典大小、噪聲字典大小的關(guān)系Fig.3 Relationship between distortion E and the size of speech dictionary，noise dictionary

在求取H的循環(huán)迭代計算中，將噪聲字典所對應(yīng)的稀疏懲罰因子都設(shè)置為0，這是因為噪聲不具有稀疏性.因此，本文實驗只研究語音字典的稀疏懲罰因子對轉(zhuǎn)換性能的影響，并將稀疏懲罰因子λ設(shè)置在0.1-0.9的區(qū)間，而循環(huán)迭代次數(shù)從0到400變化，含噪語音及其經(jīng)NMF分解重構(gòu)語音之間的差異值E的變化曲線如圖4所示.

圖4 差異值E和懲罰因子λ、迭代次數(shù)Fig.4 Curves of distortion E and number of iterations under different penalty factor λ

由圖4來看，迭代次數(shù)達(dá)到200次以后各條曲線的值幾乎不會隨循環(huán)次數(shù)的增加而有所變化，因此論文將循環(huán)迭代次數(shù)設(shè)定為200.同時，隨著λ的值從0.9減小到0.1，重構(gòu)前后語音特征矢量之間的差異值E逐漸減小.為進(jìn)一步確定參數(shù)λ的取值，本文比較了λ從0.1減小到0.01時，用圖2所示的轉(zhuǎn)換系統(tǒng)對含噪語音進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換后的語音頻譜與對應(yīng)的目標(biāo)語音頻譜之間的差異值E如圖5所示.

圖5 轉(zhuǎn)換系統(tǒng)差異值E和懲罰因子λ之間的關(guān)系Fig.5 Curve of distortion E and penalty factor λ after conversion

由圖5可以看出，稀疏懲罰因子λ為0.04時，轉(zhuǎn)換頻譜與目標(biāo)頻譜差異值E達(dá)到最小，因此語音字典的權(quán)值矩陣所對應(yīng)的懲罰因子為0.04.

4.2 轉(zhuǎn)換性能測試

我們將傳統(tǒng)的NMF轉(zhuǎn)換算法[8]與本文NR-NMF算法進(jìn)行性能對比，同時為了增強NMF算法抗噪能力，在轉(zhuǎn)換之前采用譜減法進(jìn)行降噪處理[14，15]，將該方法稱為SS-NMF(Spectral Subtraction NMF)算法.圖6是NMF、SS-NMF以及NR-NMF 3種算法的差異值對照圖.

圖6 3種轉(zhuǎn)換算法的性能比較Fig.6 Performance comparison of the threeconversion algorithms

圖6中的差異值E是表示含噪語音進(jìn)行轉(zhuǎn)換后的語音頻譜與對應(yīng)的目標(biāo)語音頻譜之間的差異值.從圖中可以看出，隨著SNR由-5dB逐漸增大到20dB時，轉(zhuǎn)換語音與目標(biāo)語音的差異值E逐漸減小，說明當(dāng)輸入語音不管是含噪語音還是較為純靜的語音，本算法都具有較好的轉(zhuǎn)換效果.由圖中NMF曲線與NR-NMF曲線的比較可以看出，在各種信噪比條件下NR-NMF算法的差異值都比傳統(tǒng)的NMF算法要小，而且信噪比越低，NR-NMF算法的性能優(yōu)勢更明顯.同時，與SS-NMF算法相比，在高信噪比時，兩者的差異值接近，但在低信噪比時，NR-NMF算法的差異值明顯要小，說明本文算法雖然在高信噪比時與SS-NMF算法的性能相當(dāng)，但在低信噪比時對轉(zhuǎn)換系統(tǒng)的性能有很大的提升.圖7顯示的是語音受白噪聲干擾，信噪比為0dB的情況下，分別用NR-NMF與SS-NMF轉(zhuǎn)換后語音的語譜圖對比.圖7(a)為待轉(zhuǎn)換的含噪語音語譜圖，圖7(b)為目標(biāo)語音語譜圖，圖7(c)為SS-NMF轉(zhuǎn)換后的語譜圖，圖7(d)為NR-NMF轉(zhuǎn)換后的語譜圖.由圖7(b)、圖7(c)比較可以看出SS-NMF算法在SNR=0dB低信噪比下存在較多的噪聲殘留，因此轉(zhuǎn)換效果明顯變差，由圖7(b)、圖7(d)比較可以看出NR-NMF算法轉(zhuǎn)換后的語譜圖存在極少的噪聲殘留，轉(zhuǎn)換效果優(yōu)于SS-NMF.

圖7 白噪聲環(huán)境下(SNR=0dB)NR-NMF與SS-NMF的對比Fig.7 Comparison of NR-NMF and SS-NMF with white noise when SNR=0dB

為比較本文算法在其他不同噪聲的情況下也具有較好的性能，論文分別在pink、babble、factory、volvo這4種噪聲的情況下進(jìn)行了實驗，實驗結(jié)果見表1所示.從表1來看，NR-NMF算法分別在6種不同的信噪比情況下都比傳統(tǒng)的NMF算法具有更小的差異值，特別在低信噪比時具有更好的性能優(yōu)勢.

表1 NR-NMF與NMF在不同噪聲情況下的差異值對比Table 1 Comparison of distortion for NR-NMF and NMF with different noises

綜上實驗表明，NR-NMF算法具有非常好的噪聲魯棒性，在低信噪比情況下也能實現(xiàn)較好的轉(zhuǎn)換效果，同時該算法在多種噪聲環(huán)境下也都有更好的轉(zhuǎn)換性能.

表2 NMF、SS-NMF與NR-NMF的MOS分對照Table 2 Comparison of MOS of NMF, SS-NMF and NR-NMF

語音轉(zhuǎn)換系統(tǒng)性能的測試，不僅包括客觀評測，還包括主觀評價.論文對轉(zhuǎn)換系統(tǒng)的性能進(jìn)行了主觀評價，采用的方法是MOS打分，它是用來評價轉(zhuǎn)換后的語音質(zhì)量.MOS打分的評測結(jié)果如表2所示.從表2中的實驗結(jié)果來看，本文算法NR-NMF比SS-NMF和NMF算法都具有更高的MOS分，同時，由于引入了降噪功能，SS-NMF轉(zhuǎn)換后的語音比NMF具有更好語音質(zhì)量.

5 結(jié) 論

論文通過引入噪聲字典，提出了一種具有噪聲魯棒性的語音轉(zhuǎn)換算法NR-NMF.將噪聲字典與源語音字典進(jìn)行聯(lián)合，以匹配各種不同噪聲環(huán)境下的語音，實現(xiàn)在噪聲環(huán)境下的語音轉(zhuǎn)換.實驗結(jié)果表明，該算法在噪聲環(huán)境較為惡劣的情況下也能很好地實現(xiàn)語音轉(zhuǎn)換.同時，該算法中噪聲數(shù)據(jù)可以直接由說話人所處環(huán)境中采集得到且無需在前端增加額外的消噪模塊，所以極大的方便了語音轉(zhuǎn)換的應(yīng)用.