口音转换是语音转换技术的一种,它旨在将源说话人的口音转化为目标说话人的口音,同时保持源说话人音色不变,可以广泛应用于口音矫正,发音辅助评价等领域。传统的口音转换方法包括声音变形,帧相似度配对,波形拼接等,然而这些方法普遍对音质和音色有所影响。最近,有研究者提出了一种基于音素后验概率的端到端口音转换方法,该方法在音质上有了一些改善。然而,这种方法缺乏对语调和重音的控制,同时效果上也不够稳定。另外,在测试阶段,上述方法都需要标准口音的平行语料,这给这项技术的应用带来了限制。参考编码器是一种用于提供辅助信息的编码器,一般由多层神经网络构成,被广泛应用于语音合成和语音转换的语气控制任务中。参考编码器将压缩过的声学特征或语言特征转化为语气控制向量,实现对生成音频的预期控制。本文针对目前口音转换存在的种种问题,做了以下改进:首先加入了参考编码器,实现了对音调和重音的控制,改善了口音转换的结果。其次,对端到端的口音转换模型做了结构上的调整,提升了生成音频的音质和稳定性。最后,本文采用目标口音的语音合成系统生成的音频作为目标口音音频,从而解决了对平行语料的需求。实验结果表明,相较于基线系统,本文提出的方法在音质和相似度上都有所提升。