一種基于RBF神經網絡的漢語耳語音轉化為正常語音的方法

王海燕

摘要：針對漢語耳語音特征參數較正常語音發生變化而導致的可懂度和清晰度較差的問題，提出了采用能夠以任意精度逼近連續函數的RBF神經網絡建立漢語耳語音到正常語音的頻譜包絡映射關系，用以修正漢語耳語音的線譜對參數的方法。實驗結果表明采用本文方法的漢語耳語音MOS得分為3.6，頻譜失真距離變小，可懂度和清晰度得到了較大的提高。

關鍵詞：RBF；漢語耳語音；線譜對參數

中圖分類號：TN912 文獻標識碼：A 文章編號：1007-9416（2018）09-0049-03

耳語音是一種特別的發音模式，發音的主要特點是聲帶不振動，沒有基頻，聲級低。耳語音轉換在禁止大聲喧嘩的場所、移動通訊通話質量提高、國家安全部門語音識別系統升級、公安法院語音破譯以及電子人工喉音質改進等方面具有非常重要的應用價值。

目前，對耳語音轉換的研究主要有：粟學麗[1]等人使用相對熵法作為耳語音識別和轉換的預處理來重建正常語間，改善了語音的音質，但是轉換時延較長；黃程[2]等人提出了使用混合激勵線性預測法實現漢語耳語音重建為正常語音，語音轉換的自然度有待改善；Morris.R.w[3]等人提出譜修正法實現了耳語音的轉換，但重建后的語音帶有明顯的失真，使得轉換后的語音有較強的金屬音質。

本方法將漢語耳語音和正常語音韻母部分的線譜對參數，通過RBF網絡訓練得到漢語耳語音到正常語音的線譜對參數轉換模型，通過轉換模型修正漢語耳語音的線譜對參數；然后將修正好的漢語耳語音的線譜對參數和正常語音基頻平均值，輸入到線譜對參數合成器中進行漢語耳語音韻母的轉換；最后將轉換后的清音和韻母結合，輸出目標語音。

1 漢語耳語音的特點

耳語音發音時聲門保持半開的狀態使得聲道增加了氣管和肺的部分，聲道傳輸函數隨之發生相應改變，從而導致耳語音的共振峰發生偏移。

耳語音的清輔音部分與正常語音的發音方式基本沒有區別，但是元音部分卻有明顯的差異。正常語音的元音是由準周期脈沖激勵，含有明顯的基音頻率。耳語音的聲源為噪聲源，聲帶不振動，故耳語音的元音沒有基頻。而漢語的聲調識別與韻律合成控制都與基頻有關，漢語耳語音[4]的聲母和韻母的特征差異不大，導致漢語耳語音的聲韻較難分割，使得耳語音的可懂度和清晰度變差。

2 RBF神經網絡在耳語音轉換中的應用

RBF[5]（Radial basis function）神經網絡是種高效的單隱含層前饋式網絡，能以任意精度逼近任何非線性連續函數。RBF網絡由輸入層、隱含層和輸出層組成。隱含層以高斯函數exp[-（b（x-w））2]為核函數。其中x是自變量，即輸入的很多值，b代表高斯函數的寬度即1/2σ2（σ為方差）。W為輸入權重，決定高斯函數的中心點。輸出結果是一組很平滑的小數，在特定的輸入值w處具有最大exp的函數值，輸入離這個特定的值越遠，輸出就成指數下降。

RBF網絡要學習的參數為基函數的中心和方差以及隱含層與輸出層間的權值。本文采用自組織選取中心法，將中心和權值的確定分為兩步：一是自組織學習階段，即學習和的階段；二是有監督學習階段，即學習輸出層權值的階段。

（1）學習中心。自組織學習過程用到的聚類算法是K-均值聚類算法。假設聚類中心有個（的值由先驗知識決定），設（=1，2，…，），是第n次迭代時基函數的中心，K一均值聚類算法的具體步驟如下：

①始化聚類中心，即根據經驗從訓練樣本集中隨機選取個不同的樣本作為初始中心，（=1，2，…），設置迭代步數n=0。

②隨機輸入選練樣本。

③尋找訓練樣本拖離哪個中心最近，即找到使其滿足，，式中，是第n次迭代時基函數的第i個中心。

④調整中心，用式：

3 系統結構

本文在分析了漢語耳語音發音特點的基礎上，利用RBF神經網絡建立了一個漢語耳語音與正常語音的頻譜映射關系，通過已訓練的RBF神經網絡轉換漢語耳語音的頻譜，使用LSP參數合成器轉化為正常語音。系統的處理方法如圖1所示：

（1）神經網絡訓練階段：首先對漢語耳語音和正常語音進行端點檢測；然后分別對漢語耳語音和正常語音進行聲韻分割，并分別對漢語耳語音、正常語音的韻母部分進行預處理和LSP的提取；之后將漢語耳語音的韻母線LSP作為輸入信號，正常語音的韻母線LSP作為導師信號，進行RBF神經網絡訓練，得到漢語耳語音與正常語音的頻譜包絡映射關系。

（2）轉換階段：首先對漢語耳語音進行端點檢測；然對漢語耳語音進行聲韻分割以及提取漢語耳語音韻母部LSP；使用訓練好的RBF神經網絡模型修正漢語耳語音的LSP；以正常語音的基頻平均值作為基音頻率生成語音的激勵源；把激勵源以及轉換后的LSP參數輸入到LSP參數合成器進行漢語耳語音韻母部分的轉換；最后將轉換后的語音韻母部分和清音部分連接，輸出正常語音。

4 實驗結果與分析

4.1 仿真結果

本實驗選取了采樣率為I0KHz、16bit的wav格式音頻文件，然后對漢語耳語音進行如下處理：（1）使用線性預測法（LPC）轉換漢語耳語音；（2）使用同態信號處理法轉換漢語耳語音；（3）使用本文方法轉換漢語耳語音。圖2圖3為“酥打”的正常語音和分別由以上三種方法轉換后語音的時域波形圖和語譜圖。

4.2 轉換耳語音質量評價

對三種方法轉換后的語音進行了平均MOS主觀評分法和LSP失真測度、板倉—齋田譜失真度測度、Mel頻率倒譜系數失真測度、巴克譜失真距離測度四種頻域客觀評價法[6][7]，表1給出了幾種方法的評價結果。仿真實驗結果顯示使用本文方法轉換的耳語音譜失真距離減小，在可懂度和音質方面都達到了滿意的效果，見表1。

5 結語

為此本文結合線譜對參數合成器以及RBF神經網絡建立了一個耳語音轉換的系統：首先使用RBF神經網絡捕獲漢語耳語音、正常語音頻譜包絡的映射關系；轉換時，使用已訓練好的RBF神經網絡將漢語耳語音的頻譜做非線性映射產生轉換頻譜，最后通過LSP參數合成器轉換為正常語音。主觀以及客觀評價表明使用此方法轉換的漢語耳語音效果比較令人滿意。本文方法在轉換前首先需要建立一個漢語耳語音到正常語音的頻譜映射關系。因此本方法只適用于特定人的轉換。另外轉換后語音的可懂度仍偏低，效果也不及正常語音自然。

參考文獻

[1]粟學麗，丁慧，徐柏齡.基于熵函數的耳語音聲韻分割法[J].聲學學報 Vol.30，NO.1 Jan，2005.

[2]Cheng Huang ，Xing Yue Tao， Liang Tao.Reconstruction of Whisper in Chinese by Modified MELP [J].ICCSE，14-17 July 2012.Melbourne，Australia Pp：349-353.

[3]R.WMorris，M.A.Clements.Reconstruction of speech from whispers[J].Medical Engineering &Physics.2002;，24（8）：5 1 5-520.

[4]J.J.Guo，P.B.Lull.Selecting input factors for clusters of Gaussian radial basis functionnetworks to improve market clearing priceprediction[J].IEEE Transactions on PowerSystems，2003，18（2）：665-672.

[5]王麗麗.基于RBF神經網絡函數擬合方法的仿真與研究[J].河北農機.2016，11：61-63.

[6]陳雪勤，趙鶴鳴.有效高斯分量通用背景模型下耳語音聲道系統轉換研究[J].聲學學報，2013，38（2）：195-200.

[7]周健，魏昕，梁瑞宇，趙力.聯合時頻域中增強后耳語音的可懂度評估[J].東南大學學報：英文版，2014，30（3）：261-266.