耳语音是人与人之间一种特殊的语言交流方式,耳语音在发声时候,声带不会振动,激励源是噪声,致使耳语音缺少基频,并且能量一般比正常音低20dB。耳语音转换是一种研究将耳语音转换为正常音的技术,广泛使用于移动通信、医疗设备、安全监控及犯罪鉴定等领域。因此耳语音转换技术的研究拥有重要的理论意义和应用前景。本文主要研究怎样选取有利于转换的语音特征来进行耳语音转换,主要的研究内容如下:首先,提出了一种基于美尔频率倒谱系数(MFCC)特征反演的耳语音转换方法。近年来,越来越多的学者开始研究利用语音特征统计分布的特性来实现语音的转换,因此大多使用高斯模型这种概率方法来实现从源特征向量到目标特征向量的预测。但高斯模型通常适合对低维的语音特征建模,难以描述高维的原始语音特征信息,因此,在使用高斯混合模型(GMM)进行耳语音转换时,语音特征的选取尤为重要。与其它特征参数相比,MFCC模拟了人耳的听觉特性,所以本文考虑语音的稀疏性,提出L1/2算法利用MFCC特征反演来重建语音,在模型建立阶段,从平行语料中分别提取耳语音和参考正常音的每一帧语音的MFCC参数,然后通过高斯混合模型建立帧特征参数之间的联合概率分布。在转换阶段,将耳语音的帧特征参数输入模型,估计出正常音特征参数后,再利用MFCC特征参数反演方法直接重建正常音。其次,提出了一种基于低维特征映射的耳语音向正常音转换方法。由于使用自适应加权谱内插分析-合成模型进行语音谱包络的提取时,其谱包络维数过于冗余,对于后续的耳语音转换效果不佳,因此本文首先使用自编码器对语音的谱包络进行降维处理,得到耳语音和正常音的低维特征,然后使用神经网络拟合耳语音和正常音低维特征之间的函数关系以及正常音基频和耳语音低维谱包络特征之间的关系。转换时,根据耳语音低维谱包络特征获得对应正常音的低维谱包络特征和基频,然后对低维谱包络特征进行解码后获得相应的正常音谱包络,最后根据谱包络和基频重建出原始正常音。实验结果表明,相比传统的耳语音转化方法,该模型转换后语音的自然度和可懂度都有所提升。