摘要:本文对基于HMM的说话人转换方法中MLLR算法的回归矩阵绑定方法进行了深入的分析,并由此提出了基于上下文相关属性的回归矩阵绑定方法.一般的MLLR算法是通过简单的数据驱动方式对模型进行聚类的,而没有考虑各个模型所对应的上下文属性,因此在聚类过程中,有可能会将一些上下文完全不相关的模型聚在一起,使模型的自适应效果变差.而基于上下文相关属性的聚类方法,可以利用大量的先验知识,将语音学上属于同一类语音的模型捆绑起来,共用一个回归矩阵,从而避免了由于回归类中含有不相关模型对自适应效果的影响.通过主客观的评测实验可以看到,使用改进后的回归矩阵绑定方法进行说话人转换实验,所得到的合成语音的音色更加接近目标语音,并且保持了较好的音质和自然度.