26、语音转换与翻译后处理技术研究

语音转换与翻译后处理技术研究

在语音技术领域，语音转换（VC）和语音到语音翻译（S2ST）是两个重要的研究方向。本文将介绍这两个方向的相关研究，包括数据集、实验设置、性能评估以及提出的改进模型。

语音到语音翻译（S2ST）实验

数据集描述

为了进行实验评估，在实验室环境下录制了数据。针对DS2ST工作，记录了来自单个说话者的印地语和英语的平行数据，将印地语作为目标语言，英语作为源语言。总共收集了7.76小时的数据，每种语言有7000个话语。所有7000个话语具有相同的语言内容，其中500个用于推理，剩余数据中10%用于开发，其余用于训练。录制的话语以16kHz的采样率和单声道进行采样。

实验设置

数据预处理 ：使用端点检测算法清理数据，去除话语开头和结尾的非语音元素。通过动态时间规整（DTW）对齐源和目标话语并填充零来估计映射函数。
特征提取 ：将语音信号以20ms加窗并进行5ms的帧移，提取25维的MFCC特征。
模型构建 ：使用四层Bi – LSTM网络设置DS2ST系统，该网络总共有[25, 256, 256, 256, 256, 25]个单元。在训练前，将训练数据修改为每个维度具有零均值和单位方差。采用学习率为1.0 * 10⁻⁵和动量为0.9的BPTT进行训练，使用支持CUDA的深度学习工具训练Bi – LSTM模型，大约需要12小时。使用Matlab工具进行10阶LP分析，用于极点修改和后处理中的加权LP残差。