Including dynamic information in voice conversion systems

Abstract

Los sistemas de conversión de voz modifican la voz de un locutor (locutor fuente) para que se perciba como si hubiera sido producida por otro locutor (locutor objetivo). Muchos trabajos se basan en un modelado mediante mezcla de Gaussianas de las características conjuntas de ambos locutores, realizado asumiendo independencia para cada tramo de voz. En este articulo se estudia la inclusión de información dinámica, tanto del locutor fuente, como del locutor objetivo o de ambos. Los sistemas propuestos se comparan basándose en medidas objetivas y preceptuales.

Voice Conversion (VC) systems modify a speaker voice (source speaker) to be perceived as if another speaker (target speaker) had uttered it. Previous published VC approaches using Gaussian Mixture Models performs the conversion in a frame by frame basis. In this paper, the inclusion of dynamic information of the source, target or both joint source-target speakers in the conversion is studied. Objective and perceptual results compare the performance of the proposed systems.