文献

J-GLOBAL ID：201602259643203594   整理番号：16A0544284

DNNベースのTTS合成のための複数話者のモデル化と話者適応

MULTI-SPEAKER MODELING AND SPEAKER ADAPTATION FOR DNN-BASED TTS SYNTHESIS

著者 (4件)： FAN Yuchen (Microsoft Res. Asia, Beijing, CHN) ,  QIAN Yao (Microsoft Res. Asia, Beijing, CHN) ,  SOONG Frank K. (Microsoft Res. Asia, Beijing, CHN) ,  HE Lei (Microsoft Res. Asia, Beijing, CHN)
資料名： Proceedings. IEEE International Conference on Acoustics, Speech and Signal Processing  (Proceedings. IEEE International Conference on Acoustics, Speech and Signal Processing)
巻： 2015 Vol.6  ページ： 4475-4479  発行年： 2015年 
JST資料番号： E0316B  ISSN： 1520-6149  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,隠れ層が各話者間で共有されている一方で,回帰層が話者に依存している様な,複数話者ディープニューラルネットワーク(DNN)を提案した。各話者が共有している隠れ層と別々の話者のための回帰層は,複数の話者依存の文書音声読上げ(TTS)コーパスにより合同で訓練した。共有の隠れ層は,任意の話者が使用できるグローバルな言語的特徴変換と見なすことができた。実際に複数話者DNNのアーキテクチャと訓練手順は,マルチタスク学習のインスタンスである。そこでは複数の関連タスクを持つモデルが組み合わされて,それらが共有知識により強化された。また共有の言語的特徴変換は,転送学習により派生した新しい話者に転送することもできた。非常に限られた訓練データのみを持つ新規の話者に対する話者適応は,共有隠れ層を固定し,回帰層を更新することによって達成できた。今後は本提案の方法を,より多くの話者とかなり大きなコーパスに適用して行く。

シソーラス用語： *ニューラルネットワーク ,  *出力 ,  人間 ,  *適応 ,  再帰性 ,  コーパス ,  変換 ,  適応訓練 ,  機械学習 ,  データ
準シソーラス用語： インスタンス ,  *ディープニューラルネットワーク ,  マルチタスク学習 ,  回帰性 ,  訓練 ,  特徴変換 ,  *文書音声読上げ ,  話者 ,  *話者適応

分類 (4件)： 音声処理  (JE05000E) ,  ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z) ,  聴覚・音声モデル  (EL02070Y)

タイトルに関連する用語 (3件)： 話者 ,  モデル化 ,  話者適応