Sommaire La Conversion de la Voix (VC) vise à transformer les caractéristiques de la voix d’un locuteur source de manière qu’il sera perçu comme étant prononcé par un locuteur cible. Le principe de la VC est de définir des fonctions du transposition pour la conversion de la voix de l’un locuteur source à la voix de l’un locuteur cible. Les fonctions de transformation de VC systèmes "State-Of-The-Art" (START) adapte instantanément aux caractéristiques de la voix source. Les récentes VC systèmes ont fait des progrès considérables sur la qualité des approches initiales de conversion. Cependant, la qualité est pas encore suffisant. Des améliorations considérables sont nécessaires que les techniques VC peuvent être utilisés dans un environnement industriel professionnel. L’objectif de cette thèse est d’augmenter la qualité de la conversion de la voix pour faciliter son applicabilité industrielle dans une mesure raisonnable. Les propriétés de base de différentes START algorithmes de la conversion de la voix sont discutés sur leurs avantages intrinsèques et ses déficits. Basé sur des évaluations expérimentales avec un GMM VC système la conclusion est que la plupart des systèmes VC START qui reposent sur des modèles statistiques sont, en raison de l’effet en moyenne de la régression linéaire, moins appropriées pour atteindre un score du similitude assez élevé avec le haut-parleur cible requise pour l’utilisation industrielle. Les contributions établies pendant de ce travail de thèse se trouvent dans les moyens étendus à a) modéliser l’excitation du source glottique, b) modéliser des descripteurs de la voix en utilisant un nouveau système de parole basée sur un modèle élargie de source-filtre, et c) avancer une nouveau système VC de l’Ircam en le combinant avec les contributions de a) et b). a) Améliorations pour estimer la forme de la partie déterministe de l’excitation du source glottique de signaux de parole sont présentés dans cette thèse. Une méthode START basé sur la minimisation des phases pour estimer le paramètre Rd du source glottique model LF a été considérablement amélioré. Tout d’abord, l’adaptation et l’extension de la gamme de paramètre Rd utilisé évite des incohérences dans l’estimateur basé par trame. Deuxièmement, l’utilisation de Viterbi lissage supprime sauts artificiels du contour Rd estimé pendant des segments de courte durée. Troisièmement, l’exploitation de la corrélation des autres descripteurs vocaux co-variant pour diriger en outre l’algorithme de Viterbi augmente la robustesse du estimateur, en particulier dans les segments avec seulement quelques stables sinusoïdes harmoniques disponibles où le paradigme basé sur la minimisation des phases est plus susceptible aux erreurs. L’estimation de l’excitation du source glottique est utilisé pour extraire la contribution du filtre de conduit vocal (VTF) à partir de l’enveloppe spectrale au moyen de diviser l’enveloppe spectrale du pulse glottique. Cela facilite d’altérer la qualité de la voix d’une phrase de la parole donnée au moyen d’exciter le VTF avec formes du pulse glottique altérée. Un nouveau système de la parole est présentée qui permet l’analyse, la transformation et la synthèse de différents descripteurs vocaux tel que l’excitation du source glottique, l’intensité, la fréquence fondamentale et la limite de fréquence voisé / non voisé. Le système de la parole proposée est dénommée "Parametric Re-Synthesis" (PaReSy) pour indiquer sa conception paramétrique pour construire une phrase de la parole pour la synthèse. PaReSy est basé sur le traitement séparé de la partie voisée déterministe et la partie non-voisée stochastique d’un signal de parole. Chaque descripteur de la voix et du VTF ou enveloppe spectrale nécessaire pour la synthèse peuvent être introduits à partir du même ou des différents locuteurs. Cette flexibilité permet de nombreuses possibilités de modification de la voix ou la génération d’un avatar de la voix humaine. c) Patent pending.