段偉博， 朱夢堯， 朱曉強， 王 濤

(上海大學(xué) 通信與信息工程學(xué)院，上海 200444)

本文研究通過轉(zhuǎn)變說話語音的聲學(xué)特征來生成歌聲.大部分的研究方法[1-3]集中在文本-歌唱合成的領(lǐng)域，這種做法類似于文本-語音合成技術(shù).基于機器學(xué)習(xí)的語音轉(zhuǎn)歌聲方法也很普遍，這種方法[3-4]利用隱馬爾科夫模型(Hidden Markov Model, HMM)或者長短記憶序列模型(Long Short Term Memory, LSTM)，讀取歌聲參數(shù)，學(xué)習(xí)其中的音調(diào)規(guī)律.此外，還有方法通過修改說話語音的聲學(xué)參數(shù)生成歌聲.這種使用參數(shù)合成歌聲的方法需要關(guān)注歌聲特有的聲學(xué)參數(shù).目前，許多工作已經(jīng)研究了歌聲所特有的聲學(xué)特征[5-6]及其聽覺效果[7-10]，其中最重要的兩個聲學(xué)特征是基頻[8,10]和頻譜包絡(luò)[11].通過研究說話和歌聲之間的聲學(xué)差異, 文獻[12]提出了基于聲學(xué)參數(shù)修改的語音到歌聲的轉(zhuǎn)換算法.這種轉(zhuǎn)換算法簡單，且保持說話人的音色，所以將這種方法應(yīng)用到實際生活中，對用戶來說是有趣的體驗.例如個別用戶不擅長唱歌，文中的歌聲合成器可以在不改變原有說話者音質(zhì)的前提下，將用戶自己的聲音轉(zhuǎn)換為更好的歌聲；或者用戶只要知道樂譜的信息，可以任意改寫歌詞生成歌聲.

基于聲學(xué)參數(shù)修改的語音轉(zhuǎn)歌聲的算法主要修改語音中的3個聲學(xué)參數(shù)： 基頻、語音時長和頻譜包絡(luò)，將說話聲音轉(zhuǎn)換成歌唱聲音.轉(zhuǎn)換聲學(xué)參數(shù)需要構(gòu)造各類傳遞函數(shù)，傳遞函數(shù)中的參數(shù)影響轉(zhuǎn)換歌聲的優(yōu)劣.目前傳遞函數(shù)的參數(shù)是根據(jù)研究者試驗或者經(jīng)驗給出的，并不適用于所有歌聲.本文同樣使用基于聲學(xué)參數(shù)修改的語音轉(zhuǎn)歌聲的算法，但會利用機器學(xué)習(xí)的方法來獲取傳遞函數(shù)的參數(shù).音樂的多樣性造成參數(shù)的多樣性，本文會在實驗中尋找參數(shù)的取值規(guī)律，這有助于深入了解普通說話的語音與歌聲的聲學(xué)差異，對于研究說話語音和歌聲的聲學(xué)差異具有重要意義，有助于開發(fā)計算機音樂作品.

1 語音轉(zhuǎn)歌聲算法

語音轉(zhuǎn)歌聲算法可以同時記錄指定樂譜和說話人的語音文件，其中樂譜提供音樂的節(jié)拍、旋律等主要信息.系統(tǒng)從語音中提取所需的聲學(xué)參數(shù)——基頻輪廓、時長、頻譜包絡(luò)和非周期性指數(shù)，參數(shù)按照設(shè)計的傳遞函數(shù)分別進行調(diào)整.新獲得的參數(shù)重新合成，得到需要的歌聲.算法的流程如圖1(第344頁)，系統(tǒng)對語音參數(shù)的調(diào)整分為3部分： 語音時長調(diào)整、基頻調(diào)整和頻譜包絡(luò)調(diào)整.

圖1 語音-歌聲轉(zhuǎn)換系統(tǒng)算法的流程圖Fig.1 Flow chart of algorithm for speech-to-singing voice conversion system

語音時長調(diào)整較為簡單，系統(tǒng)按照相應(yīng)的音符的持續(xù)時間來拉伸或壓縮字的持續(xù)時間.一般情況下，說話語速較快，通常使用線性插值對波形進行拉伸處理.均勻拉伸的語音幀是以字為單位，同時需要對語音幀進行預(yù)處理，即對每個字的時域波形的首末位置補零.預(yù)處理的目的主要是消除波形的跳變，形成過渡，減少噪聲.

下面重點對基于最小二乘法(Least square method)的基頻調(diào)整和基于GMM的頻譜包絡(luò)調(diào)整進行介紹.

1.1 基于最小二乘法的基頻調(diào)整

普通說話語音和歌唱聲音主要差異在于基頻的不同，文獻[12]證明了基頻特征在音樂轉(zhuǎn)換中的作用大于頻譜特征.基頻代表說話人聲帶每次開啟和關(guān)閉的時間間隔，反映了聲調(diào)的變化.基頻的大小取決于聲帶的大小、厚薄、松緊程度以及聲門上下之間的氣壓差的效應(yīng)等.我們利用World分析法獲取基頻，過程分為3步：

1) 使用不同截止頻率的低通濾波器進行濾波，如果濾波后的信號只包含一個周期的信號，即為基音周期，由于基音周期未知，算法會使用多個不同截止頻率的濾波器去濾波；

圖2 《瀟灑走一回》的樂譜基頻Fig.2 Music fundamental frequency in “Walk Gracefully Once”

2) 計算基頻候選以及置信度，取4個周期，計算每個周期的過零率、峰值、各個斜率對應(yīng)的區(qū)間，理論上4個周期波形所對應(yīng)的3個參量一致，所以以此為標(biāo)準(zhǔn)計算置信度；

3) 選取置信度最高的頻率作為最后的基頻.

當(dāng)將說話聲音轉(zhuǎn)換為歌唱聲音時，丟棄說話聲音的基頻輪廓，使用歌曲的音頻來替代生成歌唱聲音的基頻輪廓，圖2為《瀟灑走一回》的樂譜基頻.因此說話人語音的基頻按照如圖2所示的基頻進行修正.

如果使語音基頻等于對應(yīng)音符的頻率，合成的歌聲不會存在顫音，導(dǎo)致歌聲自然度降低.為了提高合成歌聲的自然度，文獻[12]提出合成基頻輪廓應(yīng)具有局部基頻波動變化(圖3)，這類波動包含在各種歌唱聲音中，并影響歌唱聲音的聽感.根據(jù)基頻的變化，本文可以將基頻分為兩部分處理，基頻的跳變區(qū)[13-14]、基頻的平穩(wěn)區(qū)[15].在傳統(tǒng)方法中，這兩個部分的波動都是通過一個2階系統(tǒng)的傳遞函數(shù)[12]來實現(xiàn)：

(1)

其中：ω是自然頻率；λ是阻尼系數(shù)；k是系統(tǒng)的比例增益.式(1)所表達基頻圖譜的修正如圖3(a)所示，(b)中藍線為某歌手歌唱時的實際基頻，顫音的存在造成(b)與圖2之間的差異，(c)為實際歌聲某一區(qū)間上的頻譜圖.

圖3 《瀟灑走一回》帶有顫音的歌聲基頻Fig.3 Singing voice fundamental frequency with vibrato in “Walk Gracefully Once”

式(1)的參數(shù)ω,λ,k影響顫音的振蕩衰減區(qū)間和振蕩幅度，其中ω影響波動衰減的快慢，k為波動的幅度，傳統(tǒng)的基于聲學(xué)參數(shù)修改的語音轉(zhuǎn)歌唱的算法[12]的ω過小，顫音的振蕩衰減區(qū)間過小，頻譜和聽感上很難體現(xiàn)顫音的效果.本文嘗試用機器學(xué)習(xí)的方法尋找合適的參數(shù).

式(1)作用在頻域上： 在平穩(wěn)區(qū)構(gòu)造三角函數(shù)擬合顫音；在跳變區(qū)構(gòu)造帶有衰減的三角函數(shù)擬合顫音.基于此構(gòu)造時域上的公式：

(2)

其中：f0為樂譜的基頻；f0_system為合成音樂基頻；k1,k2對應(yīng)式(1)中的k；ω2對應(yīng)式(1)中的ω；ω1決定基頻跳變區(qū)所產(chǎn)生帶有衰減正弦信號的衰減速度.當(dāng)f0_music是目標(biāo)音樂的基頻時，目標(biāo)函數(shù)為

(3)

式(2)的函數(shù)形式為曲線，式(3)非常適合用非線性最小二乘法去尋找最佳參數(shù).擬合曲線的損失函數(shù)如下：

(4)

其中：N代表切分的基頻跳動區(qū)和基頻平穩(wěn)區(qū)數(shù)量；T代表切分區(qū)域內(nèi)基頻采樣點數(shù)量；τ為切分區(qū)域內(nèi)的基頻采樣點距離所在區(qū)域起始位置的時間.通過機器學(xué)習(xí)中最小二乘法來最小化損失函數(shù)，最終獲得最優(yōu)的參數(shù)的組合，用于擬合歌聲基頻的實際顫音.式(4)非線性最小二乘法不能像線性最小二乘法那樣用求多元函數(shù)極值的辦法來得到參數(shù)估計值.考慮到波動的周期性以及衰減函數(shù)存在唯一最大值，系統(tǒng)使用搜索算法計算未知參量，先利用最大值估計出k1和k2，再利用周期估計出ω2的取值，然后固定這3個參量，去搜索計算ω1.最后通過ω1去搜索上面3個參數(shù)，依次迭代，直到收斂.

1.2 基于GMM模型的頻譜包絡(luò)調(diào)整

系統(tǒng)通過修改語音的頻譜參數(shù)生成歌音中帶有特定峰值的頻譜包絡(luò).文獻[9]表明，歌唱聲音的頻譜包絡(luò)在3kHz附近有一個叫做“歌唱共振峰”的顯著峰值，文獻[8，16-18]的研究證實了這種類型的聲學(xué)特征包含在各種不同的歌聲中，影響著人們的聽感.

World分析法通過CheapTrick方法獲得頻譜包絡(luò)信息.語音按照基頻的周期為單位進行分段，以此保證波形和頻譜的平滑連續(xù).對于加窗以后的時域信號進行傅里葉變換獲得對應(yīng)的頻譜，然后在三角窗內(nèi)對信號進行平滑，再利用倒譜方法，求取頻譜的包絡(luò)信息：

F(f)=exp(F[ls(τ)lq(τ)ps(τ)]),

(5)

其中：ls(τ)為低通濾波器；lq(τ)為消除平滑造成的畸變；ps(τ)為倒譜.在倒譜中，頻譜的包絡(luò)對應(yīng)著倒譜的低頻信息.根據(jù)文獻[9，12]增加譜包絡(luò)在3kHz的能量，

Fmusic(f)=W(f)F(f)，

(6)

(7)

其中：F(f)是說話人的頻譜包絡(luò)；W(f)是設(shè)置的權(quán)重函數(shù)；Fs是本文關(guān)注的3kHz；k為系統(tǒng)設(shè)置的增加權(quán)重；Fb為人為設(shè)置的帶寬，根據(jù)共振峰衰減情況，這個值較大，區(qū)間為1kHz～2kHz.

式(6)，(7)是一種簡單的加權(quán)函數(shù)，作用的頻域范圍單一.頻譜包絡(luò)只在3kHz位置處生成音樂共振峰，但實際中，共振峰只是出現(xiàn)在3kHz附近的區(qū)間.式(6)，(7)無法動態(tài)地調(diào)整共振峰位置.本文利用高斯混合模型(GMM)建模，去學(xué)習(xí)頻譜包絡(luò)的變化規(guī)律.我們在第t幀獲取說話人語音的頻譜包絡(luò)信息xt=[xt(1),xt(2),…,xt(Dx)]和歌聲的頻譜包絡(luò)信息yt=[yt(1),yt(2),…,yt(Dy)]，用GMM建模，得

(8)

其中：z是表達為zt=[xt;yt]的聯(lián)合向量；α是GMM中各個高斯分布所占有的權(quán)重；均值向量和協(xié)方差矩陣

(9)

使用期望最大化(Expectation Maximization, EM)算法去訓(xùn)練GMM.利用訓(xùn)練后的GMM，在已知說話人頻譜包絡(luò)的情況下可以用最大似然估計求取我們需要的音樂頻譜包絡(luò)：

(10)

構(gòu)造輔助函數(shù)[19]

(11)

2 實 驗

這部分內(nèi)容研究語音轉(zhuǎn)歌聲系統(tǒng)，包括系統(tǒng)參數(shù)的計算和合成歌聲的評估.

2.1 實驗參數(shù)

實驗選擇阿卡貝拉的歌聲庫Dataset_Chitralekha_ISMIR2018和發(fā)布的中文清唱用于分析歌聲系數(shù).根據(jù)計算和分析，因為音樂本身具有多樣性，個人的唱法也對歌聲參數(shù)有極大的影響，因此用單一的參數(shù)描述歌聲聲學(xué)特征是不夠的，表1為式(2)中基頻跳變區(qū)中部分參數(shù)的取值規(guī)律.

表1 基頻跳變區(qū)的參數(shù)

歌聲參數(shù)復(fù)雜多樣，本文嘗試從音樂種類和音頻變化趨勢來尋找規(guī)律.從表1可以看到，k取值范圍較大，但是取值范圍和基頻跳變的幅度有一定的關(guān)系，整體上成正相關(guān)；對于ω2，參數(shù)的取值主要和歌曲類型有關(guān)，歌聲越輕緩，ω2越小.因此基頻跳變幅度和歌曲類型對我們設(shè)置參數(shù)有一定的指導(dǎo)作用.

圖4給出了式(2)擬合2.5ms基頻平穩(wěn)間內(nèi)的顫音的情況，縱軸為基頻頻率f(Hz)，橫軸為時間軸，黑點w為歌聲的采樣點，藍線為擬合的函數(shù)曲線，其中圖4(a)只使用了一個函數(shù)，圖4(b)中使用了2個函數(shù)擬合區(qū)間上的2個片段.

圖4 式(2)擬合2.5ms基頻平穩(wěn)間內(nèi)的顫音Fig.4 Formula (2) fitting tremolo in 2.5ms fundamental frequency stationary interval

如圖4(a)所示，很多采樣點并沒有坐落在擬合函數(shù)的曲線上，造成較大的誤差.當(dāng)對語音幀分段，每段語音分別進行函數(shù)擬合，擬合誤差將得到改良，如圖4(b)，(c)，大部分點都坐落在擬合曲線上.函數(shù)擬合歌聲的顫音可以視為多個不同的正弦波拼接而成，顫音的參數(shù)在不同的時間段內(nèi)是不同的.這說明傳統(tǒng)方法用單一的顫音參數(shù)進行歌聲合成是不夠的.本文使用分段函數(shù)來擬合，可以增加歌聲的多樣性，以求更真實的表現(xiàn)歌聲的形式.

2.2 評 價

實驗中，聽眾分別去聽真實歌聲與合成歌聲并進行評價.合成版的歌聲包括2種： 一種為傳統(tǒng)濾波器方法合成；另外一種為我們方法合成的.例如對《瀟灑走一回》，式(2)設(shè)置參數(shù)如下：

k1=|f0t-f0t+1|×2e-0.01|f0t-f0t+1|(Hz)，

(12)

k2=7.5±2.5(Hz)，

(13)

ω1=5±3(rad·ms-1)，

(14)

ω2=8±1(rad·ms-1)，

(15)

其中：f0t為樂譜當(dāng)前節(jié)拍的基音頻率；|f0t-f0t+1|代表當(dāng)前節(jié)拍與后一節(jié)拍的跳變值.與真實歌聲相比，2種方法合成的歌聲的自然度相同，但仍然到不了真實水平，這是基于修改普通人說話語音的頻譜系統(tǒng)的局限性.說話語音和歌聲的激勵方式不同，說話語音的音質(zhì)較差，生成的歌聲聽感也差；在對頻譜進行修改時，譜顫音變化在高頻諧波部分集中體現(xiàn)，通過機器學(xué)習(xí)獲得的實驗參數(shù)和實際歌聲聲學(xué)特征必然存在誤差，但即使只有較小的偏差，在高頻諧波部分就會放大，歌聲不自然度就會提高；同時利用GMM轉(zhuǎn)換存在過平滑的問題，這影響頻譜輪廓的生成.所以基于修改頻譜的語音轉(zhuǎn)歌聲系統(tǒng)仍然需要改進.

雖然2種合成歌聲自然度相同，但本文方法合成的歌聲在個別時間段(圖5的黑色框圖標(biāo)示區(qū)域)可以很好地仿真歌手帶有顫音的歌聲，同時在其他區(qū)間又和傳統(tǒng)方法相對緩和，這說明我們的方法可以實現(xiàn)合成歌聲的多樣性.從頻譜圖(圖5)可以觀察到本實驗合成歌聲與傳統(tǒng)方法合成歌聲的差異，兩者能量分布在大部分區(qū)間上基本一致，橙色越深，能量越高.其中藍色區(qū)域?qū)儆陬l譜能量極低的區(qū)域，這是按照節(jié)拍調(diào)整說話語音所產(chǎn)生的靜音幀.但本系統(tǒng)考慮了前后音節(jié)差值，圖5的黑色框圖標(biāo)示區(qū)間能量的分布出現(xiàn)差異.在黑色框圖標(biāo)示區(qū)間內(nèi)，圖5(a)中能量波動劇烈，反應(yīng)出顫音衰減幅度大；而圖5(b)中顫音幅度和其他區(qū)間相近，生成的顫音很少.與圖3(c)的實際頻譜圖相比，我們方法的頻譜圖更為接近，既有譜線振蕩劇烈的區(qū)間，也有譜線相對平穩(wěn)的區(qū)間.

除了表現(xiàn)歌聲多樣性，本文還重點關(guān)注歌聲的聲學(xué)參數(shù).本實驗通過機器學(xué)習(xí)的方式得到多組參數(shù)，利用多組參數(shù)組合去合成更真實的頻譜，用來提高歌聲的聽感.由于音樂的多樣性，需要根據(jù)不同情況進行分析，例如音樂種類和音樂基頻變化幅度，甚至還有聽眾自身的喜好.雖然參數(shù)具有多樣性，但通過尋找規(guī)律，仍然可以確定歌聲參數(shù)所在的區(qū)間.實驗發(fā)現(xiàn)，歌聲的種類與顫音震蕩周期有關(guān)，在構(gòu)造濾波器時，音樂越舒緩，式(1)中的ω2越小，這樣系統(tǒng)可以表現(xiàn)更真實的音樂基調(diào)；顫音的衰減幅度與前后音節(jié)有關(guān)，設(shè)置的參數(shù)k需要和前后的音節(jié)差值成正相關(guān)，這樣頻譜中的音節(jié)過渡更真實.

圖5 2種方法合成歌聲的頻譜圖Fig.5 The spectrogram of composite songs by two methods

實驗并沒有使用主觀評分的方式判斷合成歌聲的優(yōu)劣，而是利用聽眾評價的方法，這樣可以根據(jù)聽眾的評價來尋找更多歌聲參數(shù)的規(guī)律.例如聽眾反映以e、o元音結(jié)尾的歌詞在沒有顫音的情況下，聽覺效果更佳；也有聽眾反映長節(jié)拍的音素使用振幅更大的顫音會有更好的效果.這說明除了旋律、音色等因素，音素也對合成歌聲也有極大的影響.

本文通過尋找歌聲參數(shù)規(guī)律可實現(xiàn)歌聲一定的多樣性，但在實際中還有更多需要關(guān)注的部分，這是今后的研究方向.

3 結(jié) 語

綜上所述，本文設(shè)計了一種基于機器學(xué)習(xí)的語音轉(zhuǎn)歌聲的合成系統(tǒng).該系統(tǒng)通過機器學(xué)習(xí)訓(xùn)練出傳遞函數(shù)的參數(shù)，然后利用學(xué)習(xí)后的轉(zhuǎn)換函數(shù)修改語音的聲學(xué)特征，包括基頻和頻譜包絡(luò)，并延長語音時長，將語音轉(zhuǎn)換為歌聲.實驗結(jié)果表明： 系統(tǒng)能夠合成出較好的歌唱聲音.系統(tǒng)的算法簡單有效，可實現(xiàn)音樂一定的多樣性，這大大提高了系統(tǒng)的實用性.

未來的工作還將繼續(xù)改善語音轉(zhuǎn)歌聲算法：

1) 理想情況下，我們希望輸入一段完整的語音進行處理，這樣可以簡化用戶的操作.但目前我們使用的仍然是切分的語音.主要是因為目前沒有簡單的方法進行語音切分，僅靠語音端點檢測效果完全不可行，這反而要涉及更復(fù)雜的語音檢測或語音識別.所以目前合成器應(yīng)用只局限在可切分的語音.

2) 記錄每個節(jié)拍的長度也大大降低了合成器的實用性，因為音樂的節(jié)拍不固定，難以找到規(guī)律，所以目前系統(tǒng)只能人為固定歌詞的節(jié)拍.后續(xù)工作中，我們會通過機器學(xué)習(xí)的方式學(xué)習(xí)到歌詞對應(yīng)樂譜的位置, 考慮到這是時間序列的計算，理想的模型有HMM和LSTM.

3) 基頻的調(diào)整使用非線性最小二乘法的搜索算法，效率較低.我們需要尋找更好的算法或者構(gòu)造更簡單的數(shù)學(xué)公式去擬合.

4) 系統(tǒng)整體設(shè)計思路的改進.從程序的算法上來看，這類似一個數(shù)組的拼接過程.如果一個節(jié)拍計算出現(xiàn)錯誤，后面所有的節(jié)拍會全部出錯.將來會引用類似標(biāo)簽的方式，將歌詞固定在它所在的節(jié)拍上，從而提高系統(tǒng)的容錯率.

5) 系統(tǒng)并沒有改變一個人的音色，但考慮到普通人在音質(zhì)上仍然低于歌手，我們希望將來的工作修改這一問題，對用戶的音色進行修正.