交易大厅本研究团队所做的工作是：
1）将贝叶斯先验引入传统的基于高斯混合模型的转换方法，对转换系数设定合适的先验信息，避免了传统模型在训练数据较少的情况下容易出现过拟合的问题。使得语音转换系统的性能更加稳定，转换误差更小。在该方法中提出了两种对转换模型噪声的建模方法：一种叫single-noise，另一种叫multi-noise，前一种假设噪声服从高斯分布，后一种假设噪声服从GMM分布，实验结果表明这两种方法效果大致相当，后者在混合数较大的时候会略好于前者。
2）将核特征引入语音转换模型，将原始的低维特征映射到高维空间，使得转换模型在训练阶段能更好的对语音特征的非线性进行建模。同时该方法也能在一定程度上避免模型的过拟合问题，而且较之传统的方法，有更小的转换误差。
本技术主要优势：
1）引入转换系数的先验知识，减小传统语音转换方法的过拟合问题；
2）获得比传统转换方法更小的谱转换误差；
3）对于训练数据较少的情况下，有比较稳定的转换性能；
4）引入核特征，增强模型的非线性建模能力，提高系统性能。
成果市场前景（限200字）
本技术市场需求迫切，前景广阔，技术应用领域广泛，基于此项成熟稳定的技术可以开发出不同类型的多种应用产品，经济效益显著。且此项成果具有原创性，从而使得基于此项成果进行的产品开发能保持持续性，保障了相关开发产品企业的技术独立性，维护企业的核心利益。