话者转换是一种语音生成技术,其目的是在保留文本内容的情况下,改变输入源话者语音的音色,使其听感接近目标话者。话者转换在个性化语音合成、有声读物制作、娱乐玩具、身份伪装语音通信等领域有着重要的应用价值。随着近些年机器学习的快速发展,使用深度学习进行统计建模逐渐成为实现话者转换的主流技术途径。这类话者转换方法一般由特征提取模块、声学特征预测模块、声码器等部分构成。特征提取模块通过声学分析,从语音波形中提取合适的源话者声学特征;声学特征预测模块会根据输入的源话者特征预测目标话者的声学特征;预测结果最后通过声码器重构得到转换语音波形。话者转换通常使用生成语音的自然度和其与目标话者的相似度作为评价指标。对比有声读物、娱乐玩具等应用场景,身份伪装语音通信对话者转换技术提出了更高要求。首先,在身份伪装语音通信应用中往往难以获取大量源话者与目标话者具有相同文本内容的平行语音数据,这制约了传统依赖平行数据进行模型训练的话者转换方法的性能;其次,为了满足语音通信顺畅进行的应用需求,话者转换的处理过程需要在低延时内完成,这使得传统基于整句处理的话者转换方法不再适用;最后,当前伪造语音检测技术发展迅速,实现具有抗检测能力的话者转换技术将进一步提升该技术在语音通信身份伪装中的应用效果。因此,本文研究面向身份伪装语音通信应用的深度学习话者转换方法,针对以上应用需求开展研究工作,主要研究内容包括:首先,研究了基于二值分布隐层单元深度自编码器的深度神经网络话者转换方法。使用神经网络特征提取器从隐层特征中解码声学特征时,会出现解码得到的声学特征与真实目标话者声学特征差距较大,或解码声学特征过平滑的问题,导致转换语音质量的下降。因此本文提出二值分布隐层单元深度自编码器用于在生成式深度神经网络中作为特征提取模块,在从隐层表征中准确解码目标话者声学特征的同时缓解过平滑现象,提高了转换语音的自然度与相似度。其次,研究了基于少量平行数据的序列到序列话者转换方法。在序列到序列模型中,需要使用平行数据进行建模。而平行数据的获取难度较大,在平行数据量较小时,转换得到的语音质量会明显下降。因此,本文针对存在少量平行数据和较多非平行数据的情景,设计一种构造伪平行数据的训练方法,用于提升序列到序列模型在大量平行数据难以获取时的话者转换质量。再次,研究了低延时话者转换方法。已有的低延时话者转换研究使用深度神经网络模型预测声学特征,并通过传统源-滤波器声码器生成语音,转换得到的语音质量不高,且需要平行数据进行训练模型。因此,本文提出了一种基于逐帧预测与互信息最小化的低延时音素分类模型,来构建特征提取模块,在非平行数据条件下实现了低延时的话者转换,相对无低延迟要求的上限模型,保持了转换语音的自然度。最后,研究了基于对抗样本生成的抗检测话者转换方法。当前最新的基于神经网络的生成语音检测模型能够有效的检测出话者转换技术生成的语音。因此,本文提出采用对抗样本生成的思想,将合成语音的检测模型作为对抗模型,通过在原有话者转换流程基础上增加后处理模块,提升了转换语音的抗检测能力。