文献

J-GLOBAL ID：201802223541149120   整理番号：18A0357441

WaveNetボコーダを用いた統計的音声変換法

Statistical voice conversion with WaveNet vocoder

著者 (4件)： 小林和弘 (名古屋大) ,  林知樹 (名古屋大) ,  玉森聡 (名古屋大) ,  戸田智基 (名古屋大)
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： 393(SP2017 66-84)  ページ： 87-92  発行年： 2018年01月13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： 本稿では,WaveNetボコーダを用いた声質変換を提案する。混合正規分布モデルに基づく声質変換は,入力話者の話者性を目標話者の話者性へと変換する事が可能である。一方で,従来のボコーダを用いた音声波形生成では,F₀推定誤差,スペクトル包絡のモデル化誤差,変換特徴量系列の平滑化などにより音声波形のモデル化誤差が生じ,変換音声の音質が著しく低下する事が確認されている。この問題を解決するために,我々は,WaveNetボコーダに基づく音声波形生成法を声質変換に適用する。入力話者の音響特徴量系列は,従来法と同様,混合正規分布モデルに基づき,目標話者の音響特徴量系列へと変換される。変換音響特徴量系列を補助特徴量として用いる事で,WaveNetボコーダは変換音声の音声波形を生成する。本稿では,学習および音声波形生成時にWaveNetボコーダの補助特徴量となる音響特徴量系列に対して幾つかの試みを実施し,WaveNetボコーダを用いた声質変換の有効性を調査する。客観評価実験および主観評価実験より,WaveNetボコーダを用いた声質変換は,従来のボコーダに基づく音声波形生成を利用した声質変換に比べて,高い音質及び話者性変換を実現可能である事がわかった。(著者抄録)

シソーラス用語： *ニューラルネットワーク ,  *ボコーダ ,  *音声処理 ,  信号変換 ,  音声信号 ,  波形 ,  *音声分析 ,  *特徴抽出 ,  音響特性 ,  実験 ,  評価試験 ,  評価 ,  主観評価
準シソーラス用語： 音響特徴量 ,  音声波形 ,  *音声変換 ,  客観評価 ,  評価実験

分類 (1件)： 音声処理  (JE05000E)

引用文献 (33件)：

• M. Abe, S. Nakamura, K. Shikano, and H. Kuwabara, “Voice conversion through vector quantization,” J. Acoust. Soc. Jpn (E), vol.11, no.2, pp.71-76, 1990.
• Y. Stylianou, O. Capp?, and E. Moulines, “Continuous probabilistic transform for voice conversion,” IEEE Trans. SAP, vol.6, no.2, pp.131-142, Mar. 1998.
• T. Toda, A.W. Black, and K. Tokuda, “Voice conversion based on maximum likelihood estimation of spectral parameter trajectory,” IEEE Trans. ASLP, vol.15, no.8, pp.2222-2235, Nov. 2007.
• T. Toda, T. Muramatsu, and H. Banno, “Implementation of computationally efficient real-time voice conversion,” Proc. INTERSPEECH, Sept. 2012.
• N. Pilkington, H. Zen, and M. Gales, “Gaussian process experts for voice conversion,” Proc. INTERSPEECH, pp.2761-2764, Aug. 2011.

タイトルに関連する用語 (4件)： WaveNet ,  ボコーダ ,  統計 ,  音声変換