语音转换是一种在保持源说话人语义信息不变的前提下,将源说话人个性特征转换成目标说话人个性特征的智能语音技术。得益于人工智能技术的快速发展,语音转换技术不断突破瓶颈,并逐步完成商业场景落地,给人们的生活带来许多便利,但是仍面临一些问题。首先,传统语音转换方法主要关注说话人个性特征转换,较少注意到说话人情感转换。其次,为了得到更好的性能,模型需要大量数据参与训练,然而,在实际应用中,采集目标说话人的充分语料较为困难。最后,大多数情感语音转换方法注重于频谱特征转换,而对于基频特征,仅通过对数高斯归一化函数进行转换。本文在Star GAN模型基础上针对上述问题进行了情感语音转换的一系列研究和改进。首先,本文提出一种基于StyleGAN-EVC模型的情感语音转换方法。使用情感风格编码器提取语音的情感风格特征,相较于Star GAN模型中使用的one-hot向量,情感风格特征表达的情感信息更丰富。同时,通过自适应实例归一化,将提取的情感风格特征与由生成器编码网络提取的语义特征充分融合,从而实现情感的转换。此外,通过循环一致性损失和情感风格重构损失在联合优化过程中对情感风格编码器的约束,使其能有效地提取情感风格特征,并通过自适应实例归一化使语义特征自适应地匹配情感风格特征,将闭集情形下的情感语音转换拓展到开集情形,且对训练数据没有标签要求,向实际应用迈出了关键的一步。充分的客观和主观实验表明,在闭集情形下,本文提出的StyleGAN-EVC模型相比于基准Star GAN模型,转换语音的MCD值平均下降15.23%,RMSE值下降8.68%,MOS上升36.76%,情感分类率增加12.50%,验证了本文提出的StyleGAN-EVC模型不仅能够提升转换语音的质量,而且对转换语音的情感饱和度也有一定的改善。与闭集情形相比,开集情形下的StyleGAN-EVC模型的性能略有下降,转换语音的MCD值平均上升0.95%,RMSE值上升0.35%,MOS降低0.81%,情感分类率减少1.88%,验证了本文提出的StyleGAN-EVC模型能够在基本不损害转换语音的质量和情感饱和度的前提下实现开集情形下的情感语音转换。进一步,为了增强转换语音的情感饱和度,本文在StyleGAN-EVC模型基础上,提出一种基于基频差异补偿的StyleGAN-EVC模型的情感语音转换方法。目前大多数情感语音转换方法中,基频特征仅通过对数高斯归一化函数进行转换,但转换后的基频特征呈整体上升趋势,且均值和均方差两个参数无法准确描述两种情感之间的幅度差异。鉴于此,本文引入基频差异补偿向量,通过对采用对数高斯归一化函数转换后的基频特征进行调整,补偿扩大两种情感之间的幅度差异,从而提升转换语音的情感饱和度。充分的客观和主观实验表明,本文提出的基于基频差异补偿的StyleGAN-EVC模型相较于基准StyleGAN-EVC模型,转换语音的MCD值未改变,RMSE值下降9.21%,MOS上升2.44%,情感分类率增加5.00%,验证了本文提出的基频差异补偿向量对提升转换语音情感饱和度的有效性。综上所述,本文通过使用情感风格编码器和基频差异补偿向量,显著提升了转换语音的质量和情感饱和度,且能在基本不损害转换语音质量和情感饱和度的前提下实现开集情形下的高质量情感语音转换。