文献

J-GLOBAL ID：202002279903987896   整理番号：20A2615968

表現分離に基づくワンショット音声変換アルゴリズム【JST・京大機械翻訳】

One-Shot Voice Conversion Algorithm Based on Representations Separation

著者 (3件)： Deng Chunhui (School of Computer Engineering, Guangzhou College, South China University of Technology, Guangzhou, China) ,  Chen Ying (School of Computer Science and Engineering, South China University of Technology, Guangzhou, China) ,  Deng Huifang (School of Computer Science and Engineering, South China University of Technology, Guangzhou, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 196578-196586  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 音声変換(VC)は,ソース話者の音声コンテンツを変えることなく,ソース話者の音声をターゲット話者の音声に変換する方法である。現在のVC方法は次の問題がある。(1)それらは話者の限られた数にのみ適用可能であり,結果として,応用シナリオは大いに制限される。(2)現在の主流技術の表現(特徴)分離(RS)効果は,ソース話者音声とターゲット話者音声に理想的でない。(3)ほとんどのモデルの音声変換品質は不十分であり,従って改善する必要がある。したがって,本論文では,符号器デコーダ構造によって実装されたRS-VCモデルと呼ばれる表現分離のワンショットVCモデルを構築した。符号器は,コンテンツ符号器と話者符号器から成る。コンテンツエンコーダはソース話者音声のコンテンツ情報を分離し,コンテンツ表現を生成する。話者符号器は,ターゲット話者音声のターゲット話者情報を分離し,話者表現を生成する。復号器は変換音声を生成するためにコンテンツ表現と話者表現を合成する。本論文では,話者検証(SV)モデルを改善することにより,最適化話者検証モデルSVIGEN2E(一般化End-to-End損失を用いたインスタンス正規化による話者検証)を得た。モデルSVIGEN2Eを話者符号器として使用した。この話者符号器は,RS-VCモデル訓練の前に前もって訓練する必要があり,SVINGE2Eの事前訓練モデルは,目標話者の音声の話者表現を直接抽出して,RS-VCモデルを訓練し試験するために使用する。次に,RS-VCモデルを訓練するための進行性訓練法を提案した。実験は,進行性訓練方法が変換音声の品質を効果的に改良できることを示した。基本的話者検証モデルと比較して,SVINGE2EとRS-VCの両方は,EER(等価誤り率)における印象的な改善を送る。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  復号器 ,  符号器 ,  誤り率 ,  正規化 ,  *コンテンツ
準シソーラス用語： 話者 ,  *音声変換 , 【Automatic Indexing@JST】

分類 (1件)： 音声処理  (JE05000E)

タイトルに関連する用語 (4件)： 表現 ,  ショット ,  音声変換 ,  アルゴリズム