频谱特征参数的离散小波分析

最新推荐文章于 2024-09-09 09:00:00 发布

weixin_48607339

最新推荐文章于 2024-09-09 09:00:00 发布

阅读量627

点赞数

本文链接：https://blog.csdn.net/weixin_48607339/article/details/117793387

版权

本文通过离散小波分析分解语音信号的频谱特征，利用GMM模型转换小波低频系数，高频系数保持不变，以减少合成语音的失真。对比实验表明，coif小波在频谱失真控制上优于haar和db小波，因此选用coif小波进行处理。

摘要由CSDN通过智能技术生成

小波分析的一个很重要的特征是具有多分辨率分析，能够在时域、频域表征信号的局部特征。本文采用离散小波分析对语音信号的频谱特征进行分解，分为小波低频系数和小波高频系数，其中，前者可以表征频谱的包络情况，后者则描述频谱的细节成分。然后利用 GMM 模型对小波的低频系数进行转换。在转换阶段，对待转换的语音频谱特征进行多分辨率小波分析，利用训练好的模型对小波低频系数进行转换，而小波的高频系数则保留不变，直接与转换的低频系数相结合用于语音的合成，因为文献（TURK O, ARSLAN L M. Subband based voice conversion[C]. International Conference on Spoken Language Processing(ICSLP)）已经证实：对高频系数的转换对于改善合成语音的质量所起的作用是微不足道的，但是却增加了频谱失真，其原因在于只有少量的语音信号分量存在于高频部分。这样做，可以很好的改善单独采用 GMM 模型进行语音转换所引起的过平滑现象。与文献（TURK O, ARSLAN L M. Subband based voice conversion[C]. International Conference on Spoken Language Processing(ICSLP)）相比，不同点是：我们是对频谱特征参数 LSF 进行离散小波分析，而非语音信号。

根据 DWT 的理论（STRANG G, NGUYEN T. Wavelets and filter banks[M]. 2nd edition. Wellesley, USA: Wellesley-Cambridge Press）可知，Vj(Vj=Vj-1⊕ Wj-1)空间的信号 x(t)可以表示成子空间 Vj-1 和正交补子空间 Wj-1 的基函数: