基于改進(jìn)GMM和韻律聯(lián)合短時(shí)譜的說話人轉(zhuǎn)換的任務(wù)書

基于改進(jìn)GMM和韻律聯(lián)合短時(shí)譜的說話人轉(zhuǎn)換的任務(wù)書一、任務(wù)背景隨著深度學(xué)習(xí)的發(fā)展，語音信號處理領(lǐng)域也取得了長足的進(jìn)展。在語音合成、語音識別、說話人識別等方面，深度學(xué)習(xí)技術(shù)已經(jīng)成為了主流并取得了很好的效果。說話人轉(zhuǎn)換作為語音信號處理領(lǐng)域的重要研究方向之一，其在語音識別、語音合成、信息安全等方面具有非常重要的應(yīng)用價(jià)值。本項(xiàng)目旨在研究基于改進(jìn)GMM和韻律聯(lián)合短時(shí)譜的說話人轉(zhuǎn)換方法。二、任務(wù)目標(biāo)本項(xiàng)目的目標(biāo)是研究基于改進(jìn)GMM和韻律聯(lián)合短時(shí)譜的說話人轉(zhuǎn)換方法，并實(shí)現(xiàn)一個(gè)說話人轉(zhuǎn)換系統(tǒng)。具體目標(biāo)如下：1.采集語音數(shù)據(jù)，構(gòu)建說話人轉(zhuǎn)換數(shù)據(jù)集。2.研究改進(jìn)GMM模型，并結(jié)合韻律信息，實(shí)現(xiàn)說話人轉(zhuǎn)換。3.實(shí)現(xiàn)一個(gè)說話人轉(zhuǎn)換系統(tǒng)，對輸入的語音進(jìn)行轉(zhuǎn)換，并輸出轉(zhuǎn)換后的語音。4.對比不同方法在說話人轉(zhuǎn)換任務(wù)上的效果，分析其優(yōu)缺點(diǎn)。三、任務(wù)內(nèi)容1.數(shù)據(jù)采集：從公開數(shù)據(jù)集或者實(shí)驗(yàn)室內(nèi)部數(shù)據(jù)集中采集與任務(wù)相關(guān)的語音數(shù)據(jù)，并對采集的數(shù)據(jù)進(jìn)行預(yù)處理。2.GMM模型改進(jìn)：參考相關(guān)文獻(xiàn)，改進(jìn)GMM模型，提高其在說話人轉(zhuǎn)換任務(wù)上的性能。具體包括但不限于以下方面：（1）改進(jìn)模型的訓(xùn)練算法。（2）增加韻律信息，提高算法性能。（3）研究動(dòng)態(tài)調(diào)整模型參數(shù)的算法。3.韻律信息提?。禾崛≥斎胝Z音的韻律信息，并與語音信號進(jìn)行拼接，形成韻律聯(lián)合短時(shí)譜，作為輸入特征。4.系統(tǒng)實(shí)現(xiàn)：實(shí)現(xiàn)一個(gè)說話人轉(zhuǎn)換系統(tǒng)，可以對輸入的語音進(jìn)行轉(zhuǎn)換，并輸出轉(zhuǎn)換后的語音。5.實(shí)驗(yàn)與結(jié)果分析：使用構(gòu)建的數(shù)據(jù)集，對比不同方法在說話人轉(zhuǎn)換任務(wù)上的效果，分析其優(yōu)缺點(diǎn)，并撰寫論文。四、預(yù)期結(jié)果本項(xiàng)目的預(yù)期結(jié)果包括：1.確定一個(gè)較為優(yōu)秀的說話人轉(zhuǎn)換算法，并實(shí)現(xiàn)一個(gè)具有較好性能的說話人轉(zhuǎn)換系統(tǒng)。2.通過實(shí)驗(yàn)，對比分析不同方法在說話人轉(zhuǎn)換任務(wù)上的性能，得出結(jié)論，并撰寫相關(guān)論文。五、工作計(jì)劃本項(xiàng)目的工作計(jì)劃如下：1.1月份：確定任務(wù)書，研究相關(guān)文獻(xiàn)，學(xué)習(xí)改進(jìn)GMM模型，了解韻律信息提取等知識。2.2月份：采集語音數(shù)據(jù)，進(jìn)行預(yù)處理，并開始研究韻律信息提取方法。3.3月份：研究改進(jìn)GMM模型，并結(jié)合韻律信息，實(shí)現(xiàn)說話人轉(zhuǎn)換。4.4月份：實(shí)現(xiàn)一個(gè)說話人轉(zhuǎn)換系統(tǒng)，并進(jìn)行測試和調(diào)整。5.5月份：進(jìn)行實(shí)驗(yàn)，對比不同方法在說話人轉(zhuǎn)換任務(wù)上的效果，分析其優(yōu)缺點(diǎn)。6.6月份：撰寫論文，整理相關(guān)代碼和數(shù)據(jù)，準(zhǔn)備提交論文。六、經(jīng)費(fèi)支持本項(xiàng)目經(jīng)費(fèi)由實(shí)驗(yàn)室提供支持。七、參考文獻(xiàn)[1]StylianouY，CappeO，MoulinesE.Continuousprobabilitydensityfunctionmodelingforspeechrecognition［J］.SpeechCommunication,1998,25（3-4）:135-147.[2]KinnunenT,LiH．Anoverviewoftext-independentspeakerrecognition：fromfeaturestosupervectors［J］.SpeechCommunication,2010,52（4）:12-40.[3]WangJun,LiuYongmei,LiangLiming.Speechattributetransformationusingdeepneuralnetworks［J］.IEEETransactionsonAudio,Speech,andLanguageProcessing,2014,22（1）:142-153.[4]TodaT,BlackAW,TokudaK.Statisticalvoiceconversiontechnique