一種有效的語音變調(diào)算法研究

梅鐵民，吳麗君，張 景

(1.沈陽理工大學 信息科學與工程學院， 沈陽 110159；2.河海大學 水利水電學院， 南京 210098)

?

一種有效的語音變調(diào)算法研究

梅鐵民1，吳麗君1，張 景2

(1.沈陽理工大學 信息科學與工程學院， 沈陽 110159；2.河海大學 水利水電學院， 南京 210098)

在語音信號處理中，語音變調(diào)技術是一項非常重要的內(nèi)容。目前采用較多的算法為同步疊加固定合成算法(Synchronized Overlap-Add Fixed Synthesis,SOLA-FS)。該算法簡單，但存在著變調(diào)范圍小、音質(zhì)差等弊端。為了改善變調(diào)語音的音質(zhì)，提高語音清晰度，在SOLA-FS算法的基礎上，提出了一種不改變原語音的采樣率，而在播放時采用設定的采樣率播放的方法實現(xiàn)語音變調(diào)。實驗結(jié)果表明，相對于SOLA-FS算法，新方法明顯地改善了語音在連接點處相位不連續(xù)的問題，具有更好的變調(diào)效果。

語音變調(diào)；SOLA-FS算法；采樣率；語音信號

語音變調(diào)技術是在不改變語音可懂度并保持語速不發(fā)生變化的前提下，按照某種算法對給定語音的音調(diào)高低進行調(diào)整。隨著信息技術和多媒體技術的迅速發(fā)展，音視頻信息越來越多，正常的音頻素材己經(jīng)遠遠滿足不了人們對語音的特殊需求，例如在動漫影視中，需要給一些奇人怪物配上表現(xiàn)其特點的奇聲怪調(diào)；又如廣播電臺熱線節(jié)目，為了保護被采訪人的隱私，必要時需要對他們的聲音加以修飾，這些都要用到語音變調(diào)技術[1]。因此，通過語音變調(diào)可以達到保護說話人隱私的目的，或者給人們提供某種娛樂效果，具有很實際的研究價值。

目前主要有兩類比較成熟的語音變調(diào)方法：一類是時域插值拼接方法，例如同步疊加固定合成法(SOLA-FS);另一類是頻域算法，例如相位聲碼器法(phase-vocoder)[2]。時域處理算法的優(yōu)點是算法簡單，在變調(diào)范圍較小時效果較好，變調(diào)語音自然度高，但是要想進行較大尺度的變調(diào)，由于誤差累加效應的存在，變調(diào)后語音質(zhì)量很差，所以要想進行較大尺度的變調(diào)就只能運用頻域算法。但頻域算法要進行時頻變換和估計相位，還要計算語音變調(diào)前后的真實頻率變化，較大的計算量導致變調(diào)效率不高，而且變調(diào)后語音不自然，有類似于敲打金屬的聲音。目前普遍采用的變調(diào)方法為SOLA-FS算法[3]，該變調(diào)方法在功能上能實現(xiàn)語音變調(diào)，但在該方法的時長規(guī)整階段往往存在數(shù)據(jù)段間銜接點處相位不連續(xù)的問題，使得聲音有明顯的金屬聲和較大噪音。

本文在SOLA-FS的基礎上提出了一種不改變采樣率而改變其播放速率來實現(xiàn)語音變調(diào)的方法，它既能較好地實現(xiàn)語音變調(diào)的功能，又改善了銜接點處不連續(xù)的問題。仿真結(jié)果表明，相對于SOLA-FS算法，新的算法具有較好的變調(diào)效果。

1 同步疊加固定合成算法

首先，簡單介紹SOLA-FS算法。該變調(diào)方法包括采樣率變換和時長規(guī)整兩步。通過在語音信號數(shù)據(jù)點之間線性插入新的數(shù)據(jù)點，或者在原語音信號上等間隔抽取一些數(shù)據(jù)點來達到增加或減少采樣點的目的。若將插值和抽取相結(jié)合，則可以實現(xiàn)任意倍頻率的變調(diào)。降調(diào)時，進行A倍插值，B倍抽取(A>B)，使得原始數(shù)據(jù)變長，如果仍然以原始采樣率播放，則語速變慢，若想保持語速不變，必須對變調(diào)后的信號進行時長規(guī)整；同理，升調(diào)時(A

圖1 語音變調(diào)時的時長規(guī)整

圖中：W為幀長度；S為幀位移；h為合成幀位移；Kmax為尋找相關性的最大允許位移；L為交叉漸變區(qū)域長度。

在進行時長規(guī)整時，首先將語音段中的前W個數(shù)值作為第一幀取出來，直接存入目標地址中，組成輸出序列。然后根據(jù)幀位移S的值，從第S+1個點開始取出下一幀語音(W個點)，然后將這幀語音最前面的L(=W-h)個點與輸出序列最后的L個點進行比較，得出它們之間的相關性，并記錄下來。將整個分析窗口向右平移一個點，再對新序列中的前L個點與輸出序列中的后L個點進行比較，同時記錄下他們的相關性。這樣重復做Kmax次，取出相關性最大的那種情況，將這種情況下，所截取的語音序列的前L個點與輸出序列的最后L個點按既定的方式進行疊加，再將W個點的窗口中剩余的h個點存入到輸出序列中，至此完成了一輪語音幀的疊加操作[5]。按照同樣的方法再對下一輪語音幀進行處理，直至完成全部語音，實現(xiàn)變調(diào)。

在SOLA-FS語音變調(diào)方法中，幀與幀之間存在重疊，并通過左右平移，尋找對應段間的相關性最大值，找出最佳移位點，從而盡量使幀間過渡自然、平滑。但由于該方法的局限性，即使在語音幀為準周期的濁音段時，有時也不能找準最佳移位點，使變調(diào)后的輸出語音在幀與幀之間的銜接點處仍然存在相位不連續(xù)的問題，所以聽起來會有很明顯的噪音[6]，直接影響語音變調(diào)的質(zhì)量。針對SOLA-FS算法存在的問題，提出一種改進算法。

2 對SOLA-FS的改進算法

在SOLA-FS算法中，是按照采樣率變換、時間規(guī)整的順序進行的[7]。在新算法中，將把這個順序顛倒過來，即先進行時間規(guī)整，然后進行采樣率變換。事實上，采樣率變換這一步完全可以省略掉，并不需要進行采樣率變換，而是在播放時用設定的變調(diào)采樣率來播放就可以達到變調(diào)目的。此外，這樣做不僅可以減少語音變調(diào)的計算量，還有另外的好處，即當用原始采樣率播放變調(diào)語音時，相當于保持音調(diào)不變的情況下對原始語音進行語速變換，即升調(diào)語音在原始采樣率下播放相當于降低語速(音調(diào)不變)；降調(diào)語音在原始采樣率下播放相當于提升語速(音調(diào)不變)。當把語音變調(diào)(語速不變)過程看成是語音變速(音調(diào)不變)過程時，語音變調(diào)算法設計更為直觀：即通過改變語音中每個音素的持續(xù)時間來實現(xiàn)語音變調(diào)。

由于對音頻進行處理時，采用分段處理方法，在各個分段的銜接處處理不好的話，會出現(xiàn)一些不連續(xù)點，產(chǎn)生一些高頻噪音，這是導致變調(diào)語音質(zhì)量下降的主要原因。為此，在變調(diào)過程中，盡量解決由銜接點處不連續(xù)帶來的噪音是提高變調(diào)語音質(zhì)量所要解決的關鍵問題。

下面將分別就語音升調(diào)、降調(diào)過程進行詳細描述，原理如圖2所示。

語音升調(diào)與語音降調(diào)的波形變換過程本質(zhì)上是一致的，可看做是在原始采樣率下拉長語音中每個音素的持續(xù)時間。在不改變語音采樣率的情況下，首先對語音信號進行分幀，把每一幀語音看成是一個音素。復制每幀語音末尾的一段來達到拉長音素持續(xù)時間的目的。在濁音段，為了保證復制段語音與原語音幀銜接時相位的連續(xù)性，復制段語音的長度應是該濁音段語音基音周期的整數(shù)倍。這涉及到兩個問題，其一是如何確定對原語音的分幀長度；其二是如何確定復制段語音的最優(yōu)長度[8]。

圖2 變調(diào)時各參數(shù)示意圖

圖中：L為段長度；n為每段抻出來的長度或每段去掉的長度；h為尋找相關性的最大允許位移；L′為變調(diào)后的長度。

其次，在確定出原始語音的分幀長度后，為了保證語音變調(diào)處理時相位的連續(xù)性，需要確定復制段語音的最優(yōu)長度，即一個基音周期。本文采用相關函數(shù)法尋找每幀語音(濁音段)最后一段k點語音與它緊鄰的前一段k點語音的最大相關性，由此確定出復制段語音的最優(yōu)長度(當k取不同值時，只有當k等于基音周期時，這兩段的相關性才達到最大)。k的取值范圍以長度n為中心，前后移動h個點(通?？扇=30)，則尋找相關性的最大允許位移為(n-h)～(n+h)。相鄰兩個基因周期的互相關函數(shù)值如圖3所示，最大互相關系數(shù)max(r)=0.53692。設置一個移動區(qū)間h，而不是直接選擇設定好的長度，這是因為同一個人在不同情態(tài)下發(fā)聲的基音周期不同，加之基音周期還受到單詞發(fā)音音調(diào)的影響，因此每段語音基音周期并不完全一樣，會有所不同。在清音段非準周期的情況下，則直接將設定好的長度n確定為復制段語音的最優(yōu)長度[8]。

尋找復制語音段最優(yōu)長度的過程如下：

用xm(n)表示第m幀語音信號，用x(n)表示原始信號的序列。那么兩者的關系可以用下面的等式表示:

式中，xk=[xm(L-k),xm(L-k+1),…,xm(L-1)]Τ，

yk=[xm(L-2k),xm(L-2k+1),…,

xm(L-k-1)]Τ。

語音降調(diào)過程與升調(diào)過程相反，是刪除原語音幀中的一段語音，使新語音幀變短。當對原語音降m個半音時，變調(diào)系數(shù)為γ=2-m/12。

通過以上處理，變調(diào)語音長度是原語音長度的γ倍。播放時，若原播放頻率為f0，則變調(diào)后播放頻率為fs=γ·f0。

圖3 相鄰兩個基音周期的互相關函數(shù)圖

3 仿真結(jié)果分析

實驗中，所用的音頻為一英文女聲錄音，采樣頻率為16000Hz，變調(diào)系數(shù)為1.3，即相當于音調(diào)升高約5個半音。設定幀長L=191，仿真結(jié)果見圖4～圖6。

圖4中的波形由上至下依次為語音升調(diào)、原語音、語音降調(diào)的時域波形，從圖4可以看出，變調(diào)前后的時域波形，能量的整體包絡基本不變，因此，變調(diào)只是對語音信號的音高特征做了調(diào)整，并不改變語音信號的內(nèi)容。

圖4 新算法變調(diào)后語音與原語音時域?qū)Ρ葓D

圖5、圖6分別為相同內(nèi)容的語音幀用不同的方法變調(diào)后仿真出的結(jié)果。圖5為SOLA-FS算法升調(diào)后的語音波形(已經(jīng)過采樣率變換)與原信號時域波形對比圖，從圖5可以看出，SOLA-FS變調(diào)后的語音在波形上有明顯的相位不連續(xù)處(如圖5中1和2所示)，所以導致變調(diào)語音產(chǎn)生高頻噪音，聽上去會有“咔嚓咔嚓”的噪音。

圖5 SOLA-FS算法變調(diào)后的語音與原信號時域?qū)Ρ葓D

圖6為新算法變調(diào)后的語音波形(未經(jīng)采樣率變換)與原信號時域波形對比圖，圖6變調(diào)后的語音波形沒有明顯相位不連續(xù)處，所以在播放時沒有刺耳的高頻噪音，相對SOLA-FS算法，新的算法較好地實現(xiàn)了語音變調(diào)功能，大大改善了銜接點處相位不連續(xù)的問題，使得變調(diào)語音在音質(zhì)上得到了較大提高。

圖6 新算法變調(diào)后的語音與原信號時域?qū)Ρ葓D

綜上所述，新的算法比SOLA-FS算法更具優(yōu)勢，因為SOLA-FS算法比較的是重疊段的相似度，而新算法比較的是緊鄰部分即語音幀中相鄰兩個基音周期的相似度。相對而言，相鄰兩個基音周期的相關性更大。

4 變調(diào)效果主觀評價

為進一步評估兩種變調(diào)方法的效果，進行變調(diào)結(jié)果的主觀測聽實驗。選擇10個不同內(nèi)容的男聲句子和10個不同內(nèi)容的女聲句子，采樣率均為16kHz，采用SOLA-FS算法和新算法，分別對這20句男女聲句子進行變調(diào)系數(shù)γ為0.8、1.2、1.5的變調(diào)處理，然后請10位沒有任何語音變調(diào)背景知識的學生來對兩種方法的變調(diào)結(jié)果進行測聽，并對變調(diào)效果作出主觀評價。測聽時將同一變調(diào)系數(shù)下，同一句子對應不同變調(diào)方法的音頻文件隨機傳輸給測聽者，測聽者選擇其中自然度較好的一個，每個變調(diào)系數(shù)下的男聲女聲句子共需要做10×10=100次選擇。測聽完成后，計算出在3個變調(diào)系數(shù)下，不同變調(diào)方法自然度評價的一個百分數(shù)：

男女聲變調(diào)效果主觀測聽結(jié)果如圖7和圖8所示。

圖7 男聲變調(diào)效果主觀評估統(tǒng)計圖

圖8 女聲變調(diào)效果主觀評估統(tǒng)計圖

從圖7、圖8可以看出，對于男聲和女聲的變調(diào)效果，新的變調(diào)方法比SOLA-FS算法有明顯的優(yōu)勢。另外，還可以看出男聲升調(diào)時的效果要好于降調(diào)，分析其原因，可能是因為男聲在音調(diào)上要比女聲低，再進一步對其進行降調(diào)，會有失真。因此由圖7可以看出，男聲的變調(diào)系數(shù)為γ=0.8時，新的變調(diào)方法所體現(xiàn)出的優(yōu)勢不如升調(diào)明顯。同理，女聲音頻在變調(diào)系數(shù)為1.5時優(yōu)勢不如前兩個變調(diào)系數(shù)明顯?？傮w上來講，新的變調(diào)方法是一種效果更好的變調(diào)方法，在改變音調(diào)的同時，也獲得了較好的自然度。

5 結(jié)束語

在SOLA-FS算法的基礎上，提出了一種不改變原信號采樣率，而是在播放時采用設定的變調(diào)采樣率播放的方法，實現(xiàn)語音音調(diào)的升高或降低。新算法把語音變調(diào)過程看成是語音變速過程，通過改變語音中每個音素的持續(xù)時間，實現(xiàn)語音變調(diào)。同時，針對由分段處理帶來的相位不連續(xù)問題，新算法通過相關函數(shù)法，使得復制段或刪除段語音的最優(yōu)長度為一個基音周期，明顯改善了上述問題，具有更好的變調(diào)效果。但是，改進的算法也存在一定缺陷，需要做進一步研究。

[1]賴振興，樊曉龍，秦榮林.具有語音變調(diào)功能的通話裝置及其語音變調(diào)方法：中國，200510023519[P].2005-01-24.

[2]F A R Nascimento,F J Fraga.New methods for improvement of sinusoidal transform vocoders[C]//IEEE International Conference on Multimedia and Expo.Taipei,2004:1159-1162.

[3]蔡杰，葉梧，馮穗力.一種基于SOLA的數(shù)字音頻變調(diào)算法及其在TMS320C6713上的實現(xiàn)[J].電子技術應用，2006(12)：28-31.

[4]張曉蕊，田嵐.語音變調(diào)方法分析及音效評估[J].山東大學學報:工學版，2011,41(1):1-6.

[5]張曉蕊.語音變調(diào)算法研究及其在語音合成中的應用[D].濟南:山東大學，2011.

[6]LI Ke，LIU Jia.SOLA based on zero-crossing Point[C]//The Proceedings of the Multi-conference on Computational Engineering in Systems Applications.Beijing,2006:110-112.

[7]JEAN Laroche.Improved Phase Vocoder Time-Scale Modification of Audio[J].IEEE Transactions on Speech and Audio Processing,1997，7(3):323-332.

[8]許雪瓊，于小清.改進波形相似疊加算法的音頻時長調(diào)整[J].應用科學學報，2009，27(5):514-519.

[9]王曉影.一種有效的語音信號變調(diào)算法及其實時實現(xiàn)[J].數(shù)據(jù)采集與處理，1998，3(1):42-45.

(責任編輯：馬金發(fā))

An Efficient Algorithm for Pitch-scale Modification

MEI Tiemin1,WU Lijun1,ZHANG Jing2

(1.Shenyang Ligong University,Shenyang 110159,China;2.Hohai University,Nanjing 210098,China)

Pitch-scale modification technology is an important researching topic in speech signal processing.As all of the algorithms concerned,SOLA-FS is widely used for its simplicity.But there are also some disadvantages,for example,small pitch-scale modification range,poor quality,and so on.In order to improve the pitch-scale modification range and quality,a new algorithm is proposed,on the basis of SOLA-FS,which does not change the original speech sampling rate during speech wave transform.But the modified speech will be played with a new sampling rate.Experimental results show that the new method improves the phase discontinuity at connection point obviously and gives a better tone effect compared with the SOLA-FS algorithm.

pitch-scale modification;SOLA-FS algorithm;sample rate;speech signal

2015-09-09

梅鐵民(1964—)，男，教授，博士，研究方向：自適應信號處理。

1003-1251(2016)04-0016-05

TN911

A