تبدیل گفتار بر پایه تحلیل مولفه های مستقل غیر خطی با به کارگیری گفتارهای همزمان شده

تبدیل گفتار از جمله شاخه های جدید تحقیقات گفتاری است. هدف سامانه های تبدیل گفتار تغییر سیگنال گفتار گوینده ی مرجع است به نحوی که خروجی آن همانند گفتار فرد هدف به نظر برسد. روش-های مختلفی از جمله نگاشت کدبوک ها، روش های آماری و ... در این زمینه ارایه شده است، اما کیفیت صوت تولیدی از این سامانه ها هنوز کاملا مطلوب نیست. در این پروژه برای تبدیل گفتار، سیگنال گفتار یک گوینده (گوینده ی مرجع) به دو دسته اطلاعات "پیام گفتار" و "هویت گوینده" تجزیه شده و سپس با تغییر هویت گوینده ی مرجع به هویت فردی دیگر (گوینده ی هدف) و ترکیب آن با اطلاعات پیام گفتار، صوت فرد هدف بازسازی می شود. به این منظور روش جدیدی بر پایه ی شبکه های عصبی برای جداسازی اطلاعات غیر خطی هویت گوینده از سیگنال گفتار پیشنهاد شده است. فرض مطرح در این روش مستقل بودن هویت گوینده از پیام گفتار و تلاش برای جداسازی این دو دسته اطلاعات است. مقادیر لگاریتم مجذور بانک فیلترها در مقیاس بارک (lhcb) از سیگنال گفتار گویندگان به عنوان بردار ویژگی استخراج شده و برای تعلیم شبکه ها مورد استفاده قرار می گیرد. وزن های شبکه به نحوی تعلیم می بیند که فضای ویژگی گوینده ی مرجع را به فضای ویژگی گوینده ی هدف نگاشت کند. ویژگی های دو گوینده مرجع و هدف برای تعلیم به این شبکه باید از آواهای متناظر دو گوینده و به بیان دیگر از سیگنال گفتارهای همزمان شده ی دو گوینده باشند. از این رو در این پروژه از روشی بر پایه ی الگوریتم ژنتیک برای همزمان سازی فریم های سیگنال گفتار گویندگان استفاده شده است. ارزیابی شنیداری نشان می دهد که گفتار خروجی شبکه تا حدودی به گفتار گوینده ی هدف شبیه شده است. کارآیی سامانه حاصله همچنین توسط روش های عددی و مقایسه ی دو فضای ویژگی ارزیابی شده است.