文献

J-GLOBAL ID：202002287102323994   整理番号：20A1614063

State-Of-the-Artニューラルスピーカ埋込みによるゼロショットマルチスピーカテキストツー音声【JST・京大機械翻訳】

Zero-Shot Multi-Speaker Text-To-Speech with State-Of-The-Art Neural Speaker Embeddings

著者 (7件)： Cooper Erica (National Institute of Informatics,Tokyo,Japan) ,  Lai Cheng-I (Massachusetts Institute of Technology,Cambridge,USA) ,  Yasuda Yusuke (National Institute of Informatics,Tokyo,Japan) ,  Fang Fuming (National Institute of Informatics,Tokyo,Japan) ,  Wang Xin (National Institute of Informatics,Tokyo,Japan) ,  Chen Nanxin (Johns Hopkins University,Baltimore,USA) ,  Yamagishi Junichi (National Institute of Informatics,Tokyo,Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICASSP  ページ： 6184-6188  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 話者埋込みを用いたエンドツーエンド音声合成に対する話者適応は訓練中に見られる話者に対する良好な話者類似性を生成するが,話者に対するゼロショット適応に対するギャップが存在する。エンドツーエンドテキスト対音声合成に対するマルチ話者モデリングを検討し,非話者に対する話者類似性に対する異なるタイプの最先端の神経話者埋込みの影響を調べた。角度ソフトマックス損失を有する学習可能辞書符号化ベース話者埋込みは,話者検証タスクにおけるxベクトル上の等価誤り率を改善できる。また,これらの埋込みは,エンドツーエンド音声合成における新しい話者へのゼロショット適応に用いるとき,話者の類似性と自然性を改善する。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： 音声合成 ,  ベクトル ,  学習 ,  *エンドツーエンド方式 ,  誤り率 ,  類似性
準シソーラス用語： 話者適応 ,  自然性 ,  話者 , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T) ,  NMR一般  (BM07041R)

タイトルに関連する用語 (3件)： ART ,  埋込み ,  音声