情感语音转换（VC）旨在将中性语音转换为情感声音，同时保留语言信息和说话者的身份。我们注意到，将情感特征与其他语音信息（例如内容、说话者身份等）的解藕是实现高质量转换效果的关键。由于情感语音中声学特征的解藕更加复杂，因此面向中性语音的特征解藕工作无法很好的工作。

近日，我校蒙古文智能信息处理技术国家地方联合工程研究中心（蒙古文信息处理技术自治区重点实验室）刘瑞研究员与日本大阪大学科学与工业研究所Zhaojie Luo教授团队合作在国际信号处理领域TOP期刊《IEEE/ACM Transactions on Audio, Speech, and Language Processing》上发表了题为“Decoupling Speaker-independent Emotions for Voice Conversion Via Source-Filter Networks”的研究论文（DOI：10.1109/TASLP.2022.3190715）。

该论文针对情感语音转换的声学特征解藕问题开展研究，提出了一种基于“源-滤波器”模型的情感语音转换系统。具体来说，为了解决情感语音转换的特征解藕问题，该论文提出了一种新颖的基于Source-Filter（源-滤波器）模型的情感VC模型（简称SFEVC），以从音色和音调特征中准确过滤说话人独立的情感线索。SFEVC模型由多通道编码器、情感独立编码器、预训练的说话人相关编码器和相应的解码器组成。所有编码器模块都采用信息瓶颈自动编码器。此外，为了进一步提高各种情绪的转化质量，提出了基于二维VA空间的训练策略。实验结果表明，提出的SFEVC模型以及VA训练策略的表现均优于所有基线系统，并基于非平行数据在说话人无关的情感VC场景下实现了最优性能。

《IEEE/ACM Transactions on Audio, Speech, and Language Processing》期刊是是音频、声学、语言信号处理的顶级期刊，在中科院SCI期刊分区为一区TOP期刊，清华最新版计算机学术推荐列表中认定为A类刊物，2022最新影响因子4.364。我校计算机学院刘瑞研究员为该论文通讯作者，内蒙古大学为该论文通讯作者单位。该研究得到了2022年内蒙古大学骏马计划高层次人才引进项目（10000-22311201/002）的资助。

作者简介：刘瑞（个人主页：https://ttslr.github.io/），计算机学院骏马计划B1岗研究员，博士生导师。刘瑞研究员围绕人工智能、深度学习、表现力语音合成等内容进行了深入探索，在相关领域知名学术期刊发表论文20余篇，其中包括IEEE/ACM TASLP（JCR Q1区，SCI一区Top期刊）、IEEE Internet of Things Journal（JCR Q1区，SCI一区Top期刊）、Neural Networks（JCR Q1区，SCI二区期刊）、IEEE Signal Processing Letters（JCR Q1区，SCI二区期刊）和学术会议ICASSP（CCF-B，语音领域顶级会议）、InterSpeech（CCF-C，语音领域顶级会议）等。学术论文在业界产生广泛影响，论文累计引用二百余次，引用者包括来自美国卡耐基梅隆大学、英国剑桥大学、英国爱丁堡大学、日本名古屋工业大学、新加坡国立大学、新加坡科技与设计大学、中科院自动化所、香港中文大学、清华大学、西北工业大学等研究机构的国内外知名学者。

论文链接：https://ieeexplore.ieee.org/document/9829916

（编辑：李文娟    审核：吴栓虎）