声码器

摘要： 语音风格迁移技术指在不改变说话内容的前提下,将源说话人的音色或语音风格转换为目标说话人的音色或语音风格。随着人们对社交媒体隐私保护等方面的迫切需求和基于神经网络篡改技术的快速发展,语音风格迁移技术在领域内被深入研究。在语音风格迁移基本原理的基础上,从声码器、语料对齐以及迁移模型3个重要影响因素的角度对研究现状进行分析,主要包括传统声码器与WaveNet声码器、平行语料与非平行语料以及传统迁移模型与神经网络模型,归纳出目前语音风格迁移技术存在的问题与挑战,并对发展方向进行展望。

摘要： HiFi-GAN声码器通过采用缩减网络层的通道数或层数的方式来有效减少模型参数、提高推理速度,但此种方式也严重损害了生成语音的质量。针对此问题,提出了两点改进措施:1.采用多尺度卷积策略对输入Mel谱进行处理来有效表征特征信息;2.采用一维深度可分离卷积替换生成器网络中的标准一维卷积。实验结果表明,多尺度卷积策略有效提升了模型性能,提高了生成语音的质量,而一维深度可分离卷积显著减少了模型参数量并加快了模型推理速度。通过将这两者结合,有效提升了HiFi-GAN模型的性能,具体来说,模型参数量约减少了67.72%,在GPU、CPU上的推理速度分别提升了11.72%、28.98%。此外,语音质量也得到略微提升,平均主观意见分(Mean Opinion Score,MOS)提升了0.07,客观语音质量评估(Perceptual Evaluation of Speech Quality,PESQ)得分提升了0.05。

摘要： 语音合成技术在人机交互中扮演着重要角色,深度学习的发展带动语音合成技术高速发展.基于深度学习的语音合成技术在合成语音的质量和速度上都超过了传统语音合成技术.从基于深度学习的声码器和声学模型出发对语音合成技术进行综述,探讨各类声码器和声学模型的工作原理及其优缺点,在此基础上对语音合成系统进行综述,系统综述经典的基于深度学习的语音合成系统,对基于深度学习的语音合成技术进行展望.

摘要： 语音合成是对人类语音的人工制作,实现将正常语言文本转换为语音是人机交互的重要一环.本文探讨了最近几年语音合成相关的各种技术,尤其是详细介绍了Wavenet和端到端系统的原理,系统综述了基于深度学习的语音合成系统研究的全貌.

摘要： In recent years,WaveNet-based neural vocoder can achieve high quality of reconstructed speech. However,it depends on the amount of speech data because of the speaker-dependent model training method. In this paper,we study the training method of neural vocoders with limited target speaker data. In our proposed method,a speaker-independent WaveNet vocoder is first trained using a multi-speaker speech corpus. Then,the parameters of the speaker-independent model are adaptively updated to obtain the neural vocoder of the target speaker. In our experiments,we compare local updating strategy with global updating strategy in adaptive training,then compare adaptive training method with speaker-dependent training method on the same training data. Experiments show that the neural vocoder constructed by our proposed method can achieve better reconstructed speech quality than STRAIGHT,and the method can achieve better objective and subjective performance than speaker-dependent training with limited target speaker data.%近年来出现的基于WaveNet 的神经网络声码器可以取得较高的重构语音质量,但其采用的话者相关模型训练方法对于目标发音人语音数据量依赖较大. 因此,本文研究目标发音人语音数据量受限情况下的神经网络声码器训练方法. 首先利用多发音人数据训练话者无关声码器模型,进一步利用少量目标发音人数据对话者无关模型进行自适应更新,以得到目标发音人的神经网络声码器模型. 本文实验对比了自适应训练中局部更新与全局更新两种策略,以及自适应与话者相关两种训练方法.实验表明,本文方法构建的神经网络声码器可以取得优于STRAIGHT 声码器的重构语音质量,在目标发音人数据量受限的情况下,该方法相对话者相关训练也可以取得更好的客观和主观性能表现.

摘要： 直接当面询问女士的年龄是一件困难的事,即使得到了答案,也不一定正确。这时只能靠举止表现以及外貌来估计,虽说有点难度,但和估计星星的岁数比较起来,还只能算是小意思。因为宇宙的时间尺度远超过人类的想象,如果将整个宇宙史当成一年来看待,伟大的牛顿是在12月31日的最后一秒才出现。但天文学家可有''朝菌知晦朔,蟪蛄知春秋''的本领,可以合理地估算长达数百万甚至一百多亿的年岁。赫罗图是星星一生变化的演示图(如图1),天文学家利用它分析星星的一生,也可以借此推算星星的年龄。

摘要： 美国研究人员将脑信号直接转化为语言当人们听别人说话甚至想象听别人说话时,脑电波会呈现出特定模式。多年来,科学家一直在尝试解读这类脑电波,并努力将其转化为声音语言。近日,美国哥伦比亚大学研究人员利用语音合成技术与神经网络算法新开发出一种''声码器'',可将受试者倾听数字时产生的脑电波还原为他们听到的声音。测试显示,约75%的情况下,''声码器''能将人脑电波还原为可被人类理解的一串数字。研究人员说,这是开发脑机接口技术的一项关键性进展。未来他们计划利用更加复杂的词汇进行测试,最终目标是开发一款可植入设备,可将中风等说话能力受损的患者的想法转化为语言,让他们重获交流能力。

摘要： 噩梦也会遗传德国《明镜周刊》2018.12卡特琳娜经常做一个噩梦:她和心上人一起奔跑,却突然中枪身亡。最近,她终于知道这个梦因何而来。法兰克福创伤处理研究所的心理学家玛丽安娜·劳瓦尔德发现,父母的可怕遭遇可能会通过遗传信息进入下一代的精神世界。二战期间,卡特琳娜的父亲罗伯特在匈牙利布达佩斯遭到法西斯枪击。

摘要： 美国:研发出直接音译大脑信号的设备据美国媒体近日报道,美国科学家首次研制出的一套新系统,借助语音合成器和人工智能,通过监控某人的大脑活动,将其想法直接转化成了可理解、可识别的语音。研究人员称,此项研究为那些言语能力有限或无法说话的人重新获得与外界沟通的能力奠定了基础,也有望为计算机直接与大脑通信开辟新途径。

摘要： 为解决短波和超短波通信中数字语音的传输问题,提出了一种高音质的600bps声码器算法.算法基于的线性预测模型,应用多阶段清浊音判决,多帧参数联合矢量量化,以及改进的激励合成,脉冲扩散后滤波等技术.在600bps的速率下,声码器合成语音具有高可懂度和一定的自然度,诊断押韵测试(DRT)得分为86.5％。

摘要： 本文首先介绍美国国防部语音信号数字处理协会(DDVPC)在选择新的2.4kbps语音压缩编码标准时所用的声码器测试的主观评价方法,主要是采用DRT进行可懂度测试,采用DAM、MOS和DMOS进行话音质量测试,采用SAME-DIFFERENT进行说话人识别测试,采用ACE-95进行通信适应性的测试.此外,还简要介绍目前国内外正在进行研究的客观评价方法.

摘要： 该文献基于CPU为三星的S3C2440的Mini2440开发板，设计与开发了以声码器AMBE-2000为核心的低带宽语音通信系统。给出了接口电路，完成内核驱动的编写与调试。实现了通过有线局域网的点对点低带宽实时语音通信。

摘要： 本文针对目前海上VHF语音传输中存在的问题,在全数字VHF通信系统理念的基础上,提出一种MELP声码器加QPSK调制解调的设计方案,介绍了方案的构架及原理.

摘要： 保密语音是语音通信的一个基本应用,保密语音通信有着成熟而广泛的应用.但随着语音压缩编码技术和密码技术的发展,保密语音通信的实现出现了新的要求.本文针对G.729A的特点,选择适用的流密码,并改造块密码AES使其适用于加密于G.729A的编码数据.

摘要： 本文表述一种2400bps联邦标准MELP声码器的算法,重点表述了其中的基音提取算法,提出了一种对该标准编码算法的简化算法。仿真结果显示,简化算法对合成语音质量的影响不大。

摘要： 后置滤波技术作为语音增强的一种方法在语音编码中得到广泛的应用.8kbps QCELP是一种变速率语音编码算法,其自适应后置滤波器由短时后置滤波器、频谱倾斜补偿滤波器和自动增益控制(AGC)三部分组成.这种自适应后置滤波器能够显著改善合成语音的主观质量,而且语音失真小,计算复杂度低.本文详细介绍了自适应后置滤波器中各个组成部分,并与其它变速率语音编码中的后置滤波器进行了比较.

摘要： 该文所介绍的激励线性预测编码(MELP)采用了一种新的更符合人发音机制的语音生成模型来合成语音，从而较好地实现了低码率的语音编码。作者们对该编码技术进行了深入的研究，并以此基础上实现了2.4kbpsMELP声码器的计算机模拟，提出了对MELP多级矢量量化搜索方法的改进，以及用两片TMS320C31并行处理实现MELP算法的硬件电路设计。

摘要： 本文提出了一种基于MELP编码器的速率可变的极低速率语音编码算法.该算法采用超级帧结构和参数联合矢量化技术降低语音信号帧间的冗余度,利用超级帧中各帧线性预测滤波器的相似性,使用变速率语音编码技术降低平均比特率.文中定义了一个新的LSF距离测度,用来度量两组不同的LSF参数所表征的滤波器间的差别,并由距离测度决定每超级帧的速率.对算法解码语音质量的客观测试表明本文提出的语音编码算法可以在所使用的560bps和800bps两种速率下保持可接受的语音质量.

摘要： 本文提出了一种基于MELP编码器的速率可变的极低速率语音编码算法.该算法采用超级帧结构和参数联合矢量化技术降低语音信号帧间的冗余度,利用超级帧中各帧线性预测滤波器的相似性,使用变速率语音编码技术降低平均比特率.文中定义了一个新的LSF距离测度,用来度量两组不同的LSF参数所表征的滤波器间的差别,并由距离测度决定每超级帧的速率.对算法解码语音质量的客观测试表明本文提出的语音编码算法可以在所使用的560bps和800bps两种速率下保持可接受的语音质量.

摘要： 一种用于编码音频信号的带宽扩展编码器，包括信号分析器、核心编码器和参数计算器。音频信号包括具有核心频带的低频信号和具有上频带的高频信号。信号分析器被配置为分析音频信号，该音频信号具有音频样本块，该块具有一定时间长度。信号分析器还被配置为从多个分析窗口确定将用于在带宽扩展解码器中进行带宽扩展的分析窗口。核心编码器被配置为编码低频信号从而获得编码的低频信号。参数计算器被配置为从高频信号计算带宽扩展参数。

摘要： 一种用于编码音频信号的带宽扩展编码器，包括信号分析器、核心编码器和参数计算器。音频信号包括具有核心频带的低频信号和具有上频带的高频信号。信号分析器被配置为分析音频信号，该音频信号具有音频样本块，该块具有一定时间长度。信号分析器还被配置为从多个分析窗口确定将用于在带宽扩展解码器中进行带宽扩展的分析窗口。核心编码器被配置为编码低频信号从而获得编码的低频信号。参数计算器被配置为从高频信号计算带宽扩展参数。

摘要： 本发明提供一种多路双工声码器，通过数字信号处理器的高处理能力进行数据编码和解码，而数据的输入和输出都通过一个多通道缓冲串口传输。所述多通道缓冲串口传输的传输数据帧包括多个输入/输出控制命令字段、输入/输出PCM语音数据字段、输入/输出声码话数据字段，分别一一对应多路输入/输出数据。因此，能够在一个传输数据帧中记录对多路声码数据进行编码/解码结果，简化多路双工声码器的传输方式，实现多路双工的声码器；并且其控制都通过所述传输数据帧中的输入/输出控制命令字实现，也简化了控制方式，从而提高了多路双工声码器工作效率。本发明还提供一种多路双工声码器系统，包括至少两个并联的所述多路双工声码器。

摘要： 本申请公开了一种声码器的降噪方法及其声码器、电子设备和存储介质，其中，该方法包括：声码器获取待合成声学特征和噪声标签，其中，噪声标签与待合成声学特征的降噪程度相关；声码器基于待合成声学特征和噪声标签进行音频合成，得到干净的合成音频数据；声码器以加噪训练音频的声学特征和噪声训练标签作为输入，干净训练音频作为输出，训练得到；其中，加噪训练音频由干净训练音频和噪声训练音频合成得到，噪声训练标签对应噪声训练音频的噪声程度。通过上述方式，本申请能够控制待合成声学特征的降噪程度。

摘要： 本公开提供一种语音处理方法和装置以及声码器和声码器的训练方法。所述语音处理方法可包括：对高采样率梅尔谱特征进行下采样来获取低采样率梅尔谱特征；基于低采样率梅尔谱特征利用声码器的第一神经网络来获得低时域信号；通过对低时域信号进行上采样来获得高时域信号；基于高采样率梅尔谱特征和高时域信号利用声码器的第二神经网络来获得与高采样率梅尔谱特征相应的语音信号。本公开能够在合成高采样率语音信号的同时保持较低的运算复杂度。

摘要： 提供了一种声码器的训练方法和装置及合成音频信号的方法和声码器，其特征在于，所述声码器的训练方法包括：基于音频信号获取第一低频时域信号和第一高频时域信号；基于第一低频时域信号获取低频频域特征，并基于第一高频时域信号获取高频频域特征；基于低频频域特征，通过声码器的第一网络来获取第二低频时域信号；基于高频频域特征和第二低频时域信号，通过声码器的第二网络来获取第二高频时域信号；基于第二低频时域信号和第二高频时域信号来获取损失函数；基于所述损失函数来训练声码器的第一网络和第二网络。

摘要： 本发明提供一种多路双工声码器，通过数字信号处理器的高处理能力进行数据编码和解码，而数据的输入和输出都通过一个多通道缓冲串口传输。所述多通道缓冲串口传输的传输数据帧包括多个输入/输出控制命令字段、输入/输出PCM语音数据字段、输入/输出声码话数据字段，分别一一对应多路输入/输出数据。因此，能够在一个传输数据帧中记录对多路声码数据进行编码/解码结果，简化多路双工声码器的传输方式，实现多路双工的声码器；并且其控制都通过所述传输数据帧中的输入/输出控制命令字实现，也简化了控制方式，从而提高了多路双工声码器工作效率。本发明还提供一种多路双工声码器系统，包括至少两个并联的所述多路双工声码器。

摘要： 声码器和方法代码转换混合激励线性预测(MELP)编码数据以便用于不同语音帧速率。将输入数据转换(100)成诸如第一MELP声码器所使用的MELP参数。缓存(102)这些参数，并且通过量化对参数进行时间内插(104)以预测间隔点。对作为一个块的内插数据执行编码功能(106)，以产生位速率的降低，如处于与第一MELP声码器不同的语音帧速率的第二MELP声码器所使用的。

摘要： 一种多声码器的存储器结构及存储器管理方法，具有各个声码器所要求的帧尺寸的最小公倍数的综合存储器使用双缓冲区，无须对声码器进行比较判断，把语音数据复制到综合存储器中，从而能够减小整体存储容量，缩短语音处理迟延时间。其结构包括：共享存储器，它具有拥有最低帧的声码器所要求容量的存储器；综合存储器，它的存储容量设置成可以支持各个声码器要求的帧尺寸的最小公倍数的容量，由双缓冲区结构构成。如果共享存储器已满，则把上述共享存储器中堆积的语音数据复制到综合存储器的一侧缓冲区，然后确认在接收上述语音数据的通道中使用的声码器，如果上述确认的声码器要处理的容量的语音数据堆积于上述一侧缓冲区，则向内核接入中断信号。

摘要： 为了解决现有技术采用自回归方式的音频生成效率低的问题，提供一种基于变分自编码器的声码器实现方法及装置，包括训练过程和应用过程，其特征在于，训练过程包括步骤：将音频源信号输入预处理模块，得到梅尔谱图；再将梅尔谱图输入条件信息模块，得到条件信息；再将条件信息和音频源信号共同输入编码器中，得到中间隐藏信息；再将中间隐藏信息和条件信息共同输入解码器中，得到输出音频；进行损失函数计算并进行参数优化，当总损失函数值低于某个阈值，训练完成；应用过程包括步骤：将前端得到的频谱图输入条件信息模块得到条件信息，将条件信息和已知的标准高斯白噪声输入解码器，得到输出音频。