文献

J-GLOBAL ID：202002223066235280   整理番号：20A0516341

歌声合成におけるニューラルボコーダの比較検討

A comparison of neural vocoders in singing voice synthesis

著者 (7件)： 和田蒼汰 (名古屋工大) ,  法野行哉 (名古屋工大) ,  高木信二 (名古屋工大) ,  橋本佳 (名古屋工大) ,  大浦圭一郎 (名古屋工大) ,  南角吉彦 (名古屋工大) ,  徳田恵一 (名古屋工大)
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： 119  号： 321(SP2019 34-43)(Web)  ページ： 85-90 (WEB ONLY)  発行年： 2019年11月29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,5種類のニューラルネットワークに基づくボコーダ(ニューラルボコーダ)を歌声合成に用いた場合について,その性能の比較検討を行う.近年,ニューラルボコーダとしてWaveNet vocoderが提案された.WaveNet vocoderは音声波形を高精度にモデル化することができ,自然な音声を生成できるが,自己回帰構造を持つことから実時間で合成できないという問題があった.この問題に対し,大きく2つのアプローチが提案されている.1つ目は,自己回帰モデルのモデル構造を小さくし,1度の順伝播にかかる時間を減らすことによって高速な合成を可能とする手法である.2つ目は,Flowを用いることにより複数のサンプルを1度に合成する手法である.これらの手法に関する性能の比較は発話文を用いて行われており,歌声を用いた場合については未だ行われていなかった.そこで本稿では,5種類のニューラルボコーダを歌声合成に用いる場合について性能を比較する.主観評価実験と客観評価実験の結果より,自然性を重視するのであればWaveRNNが,ピッチやビブラートの再現性を重視するのであればWaveNetが適切なニューラルボコーダであることを示した.(著者抄録)

シソーラス用語： *音声合成 ,  発声 ,  特徴抽出 ,  音楽 ,  ニューラルネットワーク ,  *ボコーダ ,  性能評価 ,  自己回帰モデル ,  主観評価 ,  音の高さ ,  音響 ,  音声 ,  *再現性
準シソーラス用語： DNN音声合成 ,  ピッチ【音】 ,  ビブラート ,  歌声 ,  歌声合成 ,  客観評価

分類 (2件)： 音声処理  (JE05000E) ,  楽器音響  (BB03070Y)

引用文献 (31件)：

• K. Tokuda, Y. Nankaku, T. Toda, H. Zen, J. Yamagishi, and K. Oura, “Speech synthesis based on hidden Markov models,” Proc. IEEE, vol.101, no.5, pp.1234-1252, 2013.
• H. Zen, A. Senior, and M. Schuster, “Statistical parametric speech synthesis using deep neural networks,” Proc. ICASSP, pp.7962-7966, 2013.
• 今井聖,住田一男,古市千枝子,“音声合成のためのメル対数スペクトル近似 (MLSA) フィルタ,” 電子情報通信学会論文誌, vol.66,no.2,pp.122-129,1983.
• H. Kawahara, M. Morise, T. Takahashi, R. Nisimura, T. Irino, and H. Banno, “Tandem-STRAIGHT: A temporally stable power spectral representation for periodic signals and applications to interference-free spectrum, F0, and aperiodicity estimation,” Proc. ICASSP, pp.3933-3936, 2008.
• M. Morise, F. Yokomori, and K. Ozawa, “WORLD: A vocoder-based high-quality speech synthesis system for real-time applications,” IEICE Transactions on Information & Systems, vol.E99-D, no.7, pp.1877-1844, 2016.

タイトルに関連する用語 (2件)： 歌声合成 ,  比較検討