文献

J-GLOBAL ID：201802260182344237   整理番号：18A0656560

話者コードを用いたDNNベースの音声合成

DNN-Based Speech Synthesis Using Speaker Codes

著者 (3件)： HOJO Nobukatsu (NTT Media Intelligence Laboratories, NTT Corporation) ,  IJIMA Yusuke (NTT Media Intelligence Laboratories, NTT Corporation) ,  MIZUNO Hideyuki (Tokyo University of Science)
資料名： IEICE Transactions on Information and Systems (Web)  (IEICE Transactions on Information and Systems (Web))
巻： E101.D  号： 2  ページ： 462-472(J-STAGE)  発行年： 2018年 
JST資料番号： U0469A  ISSN： 1745-1361  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： ディープニューラルネットワーク(DNN)に基づく音声合成は,従来のHMMに基づく音声合成よりも自然な合成音声を生成することができる。しかし,マルチ話者音声コーパスを用いて合成音声品質を改善できるか否かは明らかではない。この問題を解決するために,従来の話者依存DNN法を性能向上させる方法として,話者コードを用いたDNNベースの音声合成を提案する。DNNの話者変動をモデル化するために,拡張された特徴(話者コード)が従来のDNNの隠れた層に供給される。本稿では,マルチ話者モデリングと話者適応の2つのタスクの音声合成のための話者コードをDNN音響モデルに導入することの有効性を検討する。マルチ話者モデリングタスクでは,筆者らが提案する方法は,マルチ話者音声コーパスを使用してDNN全体の接続重みをトレーニングする。マルチ話者合成を行う場合,選択されたターゲット話者に対応する話者コードがDNNに供給され,話者の音声が生成される。話者適応を実行するとき,マルチ話者モデルの接続重みの集合が再推定され,新しいターゲット話者の音声が生成される。筆者らは,客観的測定によるDNNの予測性能とアーキテクチャの関係を調べた。客観的評価実験により,提案モデルが従来の手法(HMM,話者依存DNN,共用隠れ層構造に基づくマルチ話者DNN)より優れていることが明らかとなった。(翻訳著者抄録)

シソーラス用語： *人間 ,  *コード ,  *ニューラルネットワーク ,  *音声合成 ,  多重化 ,  コーパス ,  品質 ,  隠れMarkovモデル ,  モデリング ,  適応 ,  モデル
準シソーラス用語： *ディープニューラルネットワーク ,  音響モデル ,  音声コーパス ,  音声品質 ,  *話者 ,  話者適応

著者キーワード (4件)： 音声合成 ,  音響モデル ,  深神経回路網 ,  話者符号

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

引用文献 (21件)：

• [1] N. Hojo, Y. Ijima, and H. Mizuno, “An investigation of DNN-based speech synthesis using speaker codes,” Proc. Intersepech 2016, pp.2278-2282, 2016. 10.21437/interspeech.2016-589
• [2] H. Zen, A. Senior, and M. Schuster, “Statistical parametric speech synthesis using deep neural networks,” Proc. ICASSP 2013, pp.7962-7966, 2013. 10.1109/icassp.2013.6639215
• [3] H. Zen and A. Senior, “Deep mixture density networks for acoustic modeling in statistical parametric speech synthesis,” Proc. ICASSP 2014, pp.3844-3848, 2014. 10.1109/icassp.2014.6854321
• [4] Y. Fan, Y. Qian, F. Xie, and F.K. Soong, “TTS synthesis with bidirectional LSTM based recurrent neural networks,” Proc. Interspeech, pp.1964-1968, 2014.
• [5] J. Yamagishi and T. Kobayashi, “Average-voice-based speech synthesis using HSMM-based speaker adaptation and adaptive training,” IEICE Transactions on Information and Systems, vol.E90-D, no.2, pp.533-543, 2007. 10.1093/ietisy/e90-d.2.533

タイトルに関連する用語 (2件)： 話者 ,  音声合成