基线模型和 SAVC 模型的自然度平均意见得分如图 4 所示。通过 Griffin Lim 算法重构的语音得分比 LPCNet 重构的语音得分差很多。这是因为 Aishell-1 语料库是语音识别数据集，由移动电话记录。音频中存在许多噪声，例如混响，信道噪声等，这些均不利于 Griffin Lim 算法从频谱参数中预测相位，导致合成语音质量变差。但是，LPCNet 声码器在训练时对数据进行随机加噪处理，增强了数据的多样性，因而对带噪信号更鲁棒。尽管后端声码器都是 LPCNet，但 MSVC 模型的自然度主观意见得分低于 GST-VC 模型和 SAM-VC 模型。因为说话人编码器中建模的说话人空间和 MSVC 模型是完全独立的，MSVC 模型只对训练过程中遇到的说话人向量进行建模。在预测阶段，对于已经训练好的 MSVC 模型而言，新的目标说话人向量是是完全未知的信息，因而声学后验概率和新的说话人向量之间的可能存在不匹配，这导致了语音质量的下降。GST-VC 模型和 SAVC 模型之间自然度主观意见分数非常的接近，这也是很容易理解的，因为这两个模型中用到的说话人向量均是由语音转换模型预测的，并且它们都使用 LPCNet 重建波形。
下面的视频展示了 SAVC 模型和基线模型基于单样本语音转换的效果，输入语音和目标说话人语音均来自集外说话人。视频中依次展示了男声变女声，女声变男声的效果。更多 demo 可以参见作者展示的链接。（https://vcdemo-1.github.io/SAVC/savc.html）
应用
变声技术在快手有丰富的应用场景，比如短视频编辑，直播变声，个性化定制用户音色等。而通过单样本语音转换复制音色，不仅可以大大降低对训练数据库的要求，而且也可以显著节省计算资源。基于单样本的语音转换是快手在语音交互领域的一个重大技术突破，有望引领变声应用的新潮流。
快手 MMU 介绍
快手MMU（Multimedia understanding）部门负责快手全站海量音视频、直播的内容理解，为公司提供500 智能服务，应用在搜索、推荐、生态分析、风险控制等诸多场景，团队拥有业内最顶尖的算法工程师和应用工程师，持续招募相关领域技术人才。
,
