计算机应用

作者：鲁超峰, 陶冶, 文连庆, 孟菲, 秦修功, 杜永杰, 田云龙

单位：1.青岛科技大学 信息科学技术学院，山东 青岛 266061；2.临沂大学 信息科学与工程学院，山东 临沂 276000；3.北京机械工业自动化研究所有限公司，北京 100120；4.数字家庭网络国家工程实验室，山东 青岛 266000

关键词：少量语料,说话人-情感语音转换,大语言模型,预训练情感语音合成模型,微调

基金：国家重点研发计划项目(2023YFF0612100);青岛市关键技术攻关及产业化示范类项目(24-1-2-qljh-19-gx)

针对很少有人将说话人转换和情感转换结合起来研究，且实际场景中的目标说话人情感语料通常很少，不足以从头训练一个强泛化性模型的问题，提出一种融合大语言模型和预训练情感语音合成模型的少量语料说话人-情感语音转换（LSEVC）方法。首先，使用大语言模型生成带有所需情感标签的文本；其次，使用目标说话人语料微调预训练情感语音合成模型以嵌入目标说话人；然后，将生成的文本合成情感语音，以达到数据增强的目的；再次，使用合成语音与源目标语音共同训练说话人-情感语音转换模型；最后，为了进一步提升转换语音的说话人相似度和情感相似度，使用源目标说话人情感语音微调模型。在公共语料库和一个中文小说语料库上的实验结果表明，综合考虑评价指标情感相似度平均得分（EMOS）、说话人相似度平均意见得分（SMOS）、梅尔倒谱失真（MCD）和词错误率（WER）时，所提方法优于CycleGAN-EVC、Seq2Seq-EVC-WA2和SMAL-ET2等方法。

来源：2025年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第3期