文献

J-GLOBAL ID：201802238529277982   整理番号：18A0357443

WaveNetに基づく声質変換の検討

A study on voice conversion based on WaveNet

著者 (6件)： 丹羽純平 (名古屋工大 大学院工学研究科) ,  吉村建慶 (名古屋工大 大学院工学研究科) ,  橋本佳 (名古屋工大 大学院工学研究科) ,  大浦圭一郎 (名古屋工大 大学院工学研究科) ,  南角吉彦 (名古屋工大 大学院工学研究科) ,  徳田恵一 (名古屋工大 大学院工学研究科)
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： 99-104  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： 本研究では,元話者の音響特徴量から目標話者の音声波形を直接生成する,WaveNetに基づく声質変換手法を提案する。統計モデルに基づく声質変換では,元話者と目標話者の音声から抽出されるスペクトルパラメータなどの音響特徴量間の関係をガウス混合モデルやニューラルネットワークのような統計モデルを用いてモデル化を行う。音響特徴量間の関係をモデル化することは効果的であるが,ボコーダのパラメータが中間表現として使用されるため,目標話者の音声波形を予測するのに最適ではないと考えられる。提案法では,この問題を解決するために,元話者の音声波形から抽出された音響特徴量と目標話者の音声波形の関係をWaveNetによりモデル化する。このため,提案法はボコーダを用いることなく,元話者の音響特徴量から変換後の音声波形を直接生成することが可能である。主観評価実験の結果,提案法は従来法から自然性,話者類似性を改善し,有効性を示した。(著者抄録)

シソーラス用語： *音声処理 ,  *信号変換 ,  音声信号 ,  話者認識 ,  特徴抽出 ,  音響特性 ,  *音声分析 ,  主観評価 ,  統計模型 ,  モデリング ,  波形解析 ,  *ニューラルネットワーク
準シソーラス用語： 音響特徴量 ,  音声波形 ,  *声質変換 ,  統計モデル

分類 (1件)： 音声処理  (JE05000E)

引用文献 (19件)：

• L. Deng, A. Acero, L. Jiang, J. Droppo, and X. Huang, “Highperformance robust speech recognition using stereo training data,” Proc. of ICASSP, pp.301-304, 2001.
• A. Kain and M.W. Macon, “Spectral voice conversion for text-to-speech synthesis,” Proc. of ICASSP, pp.285-288, 1998.
• Y. Stylianou, O. Cappe, and E. Moulines, “Continuous probabilistic transform for voice conversion,” IEEE Trans. Speech Audio Process, pp.131-142, 1998.
• T. Toda, A.W. Black, and K. Tokuda, “Spectral conversion based on maximum likelihood estimation considering global variance of converted parameter,” Proc. of ICASSP, pp.9-12, 2005.
• S. Desai, E.V. Raghavendra, B. Yegnanarayana, A.W. Black, and K. Prahallad, “Voice conversion using artificial neural networks,” Proc. of ICASSP, pp.3893-3896, 2009.

タイトルに関連する用語 (2件)： WaveNet ,  声質変換