文献

J-GLOBAL ID：201702261989171844   整理番号：17A0869679

DNN音声合成における感情付与のためのモデル構造の検討

Comparisons on Transplant Emotional Expressions in DNN-based TTS Synthesis

著者 (5件)： 井上勝喜 (岡山大 大学院自然科学研究科) ,  原直 (岡山大 大学院自然科学研究科) ,  阿部匡伸 (岡山大 大学院自然科学研究科) ,  北条伸克 (NTT) ,  井島勇祐 (NTT)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 117  号： 105(PRMU2017 25-38)  ページ： 23-28  発行年： 2017年06月15日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： DNN音声合成は,従来のHMM音声合成に比べ,より自然な音声が合成可能であることが示されている。また,HMM音声合成では合成音声を多様化するために感情付与の手法が研究されている。しかし,DNN音声合成においても感情付与が可能であるかは明らかでない。そこで,DNNに基づく音声合成システムの表現力を向上させる方法として,本報告では感情付与のためのDNNのモデル構造を検討した。感情付与のためのモデル構造として,次の3種類を比較した。すなわち,(1)Parallel Model:出力層が話者依存の層と感情依存の層からなる構造,(2)Serial Model:話者依存の層から感情依存の出力層へと伝播する構造,(3)Auxiliary Input Model:言語特徴量ベクトルと同様に話者IDと感情IDを入力する構造,の3種類である。話者24名の平常音声と話者24名中の3名の喜びと悲しみの音声により学習をおこなった。客観評価実験と主観評価実験により,各モデル構造を比較した。実験の結果,学習データに平常音声しかない話者の声質で感情音声を合成する場合,Parallel ModelがSerial Modelよりも良く,Auxiliary Input Modelよりもわずかに良いことが明らかとなった。また,学習データ中に感情音声を含む話者の声質で感情音声を合成する場合,Serial Modelが最も良い性能を示した。(著者抄録)

シソーラス用語： *ニューラルネットワーク ,  *音声合成 ,  *感情 ,  *機械学習 ,  強化学習 ,  音響特性 ,  *特徴抽出 ,  *主観評価 ,  データ ,  実験
準シソーラス用語： DNN ,  *マルチタスク学習 ,  音声特徴量 ,  *客観評価 ,  学習データ ,  評価実験

分類 (2件)： 音声処理  (JE05000E) ,  人工知能  (JE08000Z)

引用文献 (16件)：

• H. Zen, A. Senior, and M. Schuster, ”Statistical parametric speech synthesis using deep neural networks,” 2013 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp.7962-7966, 2013.
• Y. Qian, Y. Fan, W. Hu, and F.K. Soong, ”On the training aspects of deep neural network (DNN) for parametric TTS synthesis,” 2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp.3829-3833, 2014.
• Z. Wu, C. Valentini-Botinhao, O. Watts, and S. King, ”Deep neural networks employing multi-task learning and stacked bottleneck features for speech synthesis,” 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp.4460-4464, 2015.
• Y. Fan, Y. Qian, F.K. Soong, and L. He, ”Multi-speaker modeling and speaker adaptation for DNN-based TTS synthesis,” 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp.4475-4479, 2015.
• Z. Wu, P. Swietojanski, C. Veaux, S. Renals, and S. King, ”A study of speaker adaptation for DNN-based speech synthesis,” Proc. INTERSPEECH, pp.879-883, 2015.

タイトルに関連する用語 (3件)： DNN音声合成 ,  感情 ,  モデル