源过滤器声码和 WORLD
声码器是一种将语音分解为构建块并重建它的工具。
概述
源滤波器模型和WORLD声码器是经典方法，通过分离声带的功能和嘴巴的形状，实现文本转语音和语音转换。
深入探讨
源过滤器模型将语音描述为两个一起工作的部分：源（来自振动声带的浊音的嗡嗡声，或来自耳语和辅音的嘈杂空气的嗡嗡声）通过过滤器（喉咙、嘴巴和鼻子的共振形状）。声码器分析录制的音频以估计这些片段，然后从中合成新的音频。 WORLD 由 Masanori Morise 于 2016 年左右发布，是一款高质量声码器，可提取三个参数：F0（源的音高轮廓）、频谱包络（滤波器，通过 CheapTrick 算法）和非周期性（噪声与音调的比值，通过 PLATINUM/D4C）。这三个流可以独立修改然后重新合成，使 WORLD 成为参数 TTS 和歌声系统的主力。
技术洞察
世界的力量来自于彻底的分离。 CheapTrick 估计对小 F0 误差具有鲁棒性的平滑频谱包络，而 DIO/Harvest 轨道间距和 D4C 则测量频带非周期性。由于音高、音色和噪音存在于单独的参数流中，因此您可以将 F0 向上移动一个八度，而无需改变声音的听起来是谁，或者可以在不改变音高的情况下延长持续时间。像 WaveNet 这样的神经声码器后来直接对波形进行建模，但 WORLD 仍然快速、可解释且无需许可。
战略影响
交通与覆盖范围
它通过转录、旁白和语音界面提高了可访问性。
成本与预算
媒体团队可以用更少的预算更快地交付精美的音频。
速度与规模
面向客户的系统可以处理更大规模的语音交互。
源滤波器声码和世界的未来
在高端自然度方面，纯信号处理声码器在很大程度上已被神经声码器（HiFi-GAN、WaveRNN）取代，但 WORLD 并没有消失。它作为一种快速、CPU 友好的前端存在于语音转换管道、歌唱合成器和研究基线中，并且其 F0 加频谱包络功能仍然为许多神经模型提供支持。预计混合系统将采用 WORLD 风格的可解释参数指导神经解码器，让创作者能够在不牺牲真实性的情况下精确控制音高和音色。
现实世界的实施
语音转换工具可以改变说话者的音高和音色，同时保持语音清晰易懂
以新音高重新合成音符的歌声合成器（例如 UTAU/NNSVS 生态系统）
在声码之前生成 F0、频谱和非周期性流的参数化文本转语音系统
无需重新训练即可进行音高转换、时间拉伸和韵律编辑的语音研究基线
风险与防护栏
如果未征得同意，语音滥用和冒充风险就会增加。
由于口音、方言或嘈杂的环境，准确性可能会下降。
如果没有明确的标签，合成音频可能会被误认为是真实的语音。
实施路线图
获得语音捕获、克隆和重用的明确同意。
测试不同扬声器和背景条件下的质量。
定义人员必须审查或批准输出的时间。
标记合成音频并保留来源记录以供问责。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Source-Filter Vocoding and WORLD quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
什么是源滤声码和WORLD？
声码器是一种将语音分解为构建块并重建它的工具。源过滤器模型和 WORLD 声码器是经典方法，通过将声带的功能与嘴型的功能分开来支持文本到语音和语音转换。
在语音的源过滤器模型中，“过滤器”代表什么？
滤波器是声道的共鸣——喉咙、嘴巴和鼻子的形状，给声音着色。来源是声带嗡嗡声或嘈杂的气流。
WORLD 声码器从语音中提取哪三个参数？
WORLD 将语音分解为基频 (F0)、频谱包络（音色/滤波器）和非周期性（噪声与音调平衡）。
用于估计谱包络的 WORLD 算法的名称是什么？
CheapTrick 估计出一个平滑的谱包络，该包络对于音调估计中的小误差具有鲁棒性。
为什么从频谱包络中分离音调很有用？
由于音调 (F0) 和音色（频谱包络）是独立的流，因此您可以提高或降低音调，同时保留说话者的身份。
WORLD 与 HiFi-GAN 等神经声码器相比如何？
WORLD 是一款信号处理声码器：快速、可解释且 CPU 友好。神经声码器通常可以实现更高的自然度，但也更重。