بهبود کیفیت سیستمهای تبدیل گفتار۱ مبتنی بر مدل ۲gmm

در سیستمهای تبدیل گفتار، گوینده a جملاتی را بیان می کند و هدف عبارت است از تغییر متکلم جملات بیان شده، از گوینده a (مبدأ) به گوینده مورد نظر b (مقصد). الـبته در مواردی به جای تبـدیل گفتار از عبارت تبـدیل گوینـده3 نیز اسـتفاده می شود. تغییر گوینده باید به قسمی انجام پذیرد که سیگنال تغییر یافته کیفیت مطلوب و طبیعی، اما با صدای گوینده b داشته باشد. سه روش مورد استفاده در این سیستمها عبارتند از: روشهای مبتنی بر چندی سازی برداری4، روشهای مبتنی بر تبدیلهای lmr5 و روشهای مبتنی بر مدل مخلوط گاوسی (مدل آماری). در تمامی روشهای ذکر شده برای انطباق زمانی جفت کلمات یا جفت جملات متناظر دو گوینده (در مرحله یــادگـیــری) از روش پیچش زمانی پویا6 استفاده می‏شود. در طی این تحقیق ضمن بررسی روشهای موجود، از تکنیک انطباق زمانی dtw برای طراحی توابع تبدیل جفت واجهای متناظر دو گوینده (به جای جفت کلمات یا جملات) استـفاده می شود. این کار موجب انطباق بیشتر دو گوینده در کوچکترین واحد زبانی (یعنی واج) می شود. همچنین به منظور کاهش خطا، از تبدیلهای خطی موقتی وابسته به واج در مرحله یادگیری استفاده می شود. با اصلاحات مناسب دیگری که در روش یادگیری و طراحی تبدیلهای خطی مورد نیاز انجام شده، به عملکرد بسیار مناسبی در تبدیل گفتار در مقایسه با روشهای رایج نائل شده ایم.