입력음성을 소정의 분석 구간마다 분석하여 변환을 수행할 특징 파라미터를 추출하기 위한 분석부;

상기 분석부에서 넘어오는 스펙트럼 파라미터와 피치주기가 각각의 학습된 변환 방법에 의해 목적화자의 특징 파라미터로 변환시키기 위한 변환부; 및

상기 변환부에서 변환된 파라미터들을 음성으로 재합성하기 위한 합성부로 구성되는

화자 변환을 위한 음성 변환 장치

제1항에 있어서,

상기 분석부는 입력 음성을 HNM(Harmonic plus Noise Model) 분석과정에 의해 스펙트럼 포락 정보와 피치 정보로 나누어, 스펙트럼 파라미터와 피치주기를 상기 변환부로 출력하는

화자 변환을 위한 음성 변환 장치

제1항에 있어서,

상기 변환부는

스펙트럼 포락 정보의 변환을 위해 음성에 내재된 동적 특성을 HMM(Hidden Markov Model)으로 모델링하고,

제1항에 있어서,

상기 합성부는

음성 전체 스펙트럼 대역을 하모닉 부분과 노이즈 부분으로 나누고 각각 다른 합성 방식으로 합성하는 HNM(Harmonic plus Noise Model)방식에 의해 상기 변환부에서 전달된 변환된 파라미터들을 음성으로 재합성하는

화자 변환을 위한 음성 변환 장치

제2항에 있어서,

상기 스펙트럼 파라미터로는 입력음성의 켑스트럼 값을 사용하여 변환부로 출력하는

화자 변환을 위한 음성 변환 장치

제3항에 있어서,

상기 스펙트럼 포락 정보의 변환을 위해서는,

제6항에 있어서,

상기 변환 HMM은,

상태간 천이확률, 상태별 인식 코드북 및 상태별 합성 코드북으로 구성되고,

상기 변환 HMM을 구성하기 위해서는,

목적화자 HMM을 구성하기 위한 목적화자의 모델링 단계;

원시화자와 목적화자간의 대응관계를 정의하는 동적 정합의 단계;

목적화자의 학습 데이타를 Viterbi 알고리즘을 이용하여 목적화자 HMM상에서의 최적 상태열의 형태로 인식시키는 단계;

동적정합에 의해 구해진 대응관계를 이용하여 원시화자의 음성을 각 상태별로 분류하는 원시화자의 학습데이타 분류단계;

각 상태마다 모아진 원시화자의 벡터들을 벡터 양자화하여 각 상태마다의 인식 코드북을 생성하는 단계;

생성된 상태별 인식 코드북과 상태별 합성 코드북으로 사용될 목적화자 HMM의 상태 코드북간의 일대일 대응관계를 위해, 두 코드북사이의 사상관계를 코드워드 별로 학습시키고, 학습된 사상횟수를 가중치로 목적화자 HMM의 상태코드북을 선형보간함으로써 새로운 합성 코드북을 만드는 합성 코드북 재구성단계; 및

생성된 상태별 인식 코드북, 재구성된 상태별 합성 코드북, 목적화자 HMM의 상태간 천이확률을 변환 HMM으로 정의하는 변환 HMM의 생성단계에 의하는

화자 변환을 위한 음성 변환 장치

제7항에 있어서,

상기 합성 코드북 재구성 단계에 있어서,

상기 인식 코드북과 합성 코드북의 사상관계의 학습을 위하여 다음 수식의 변환함수

지정국 정보가 없습니다