文献

J-GLOBAL ID：202002292051424109   整理番号：20A0801608

End-to-End音声認識を用いた音声合成の半教師あり話者適応

Semi-supervised speaker adaptation for TTS using End-to-End ASR.

著者 (6件)： 井上勝喜 (岡山大 院 HS統合科学研) ,  原直 (岡山大 院 HS統合科学研) ,  阿部匡伸 (岡山大 院 HS統合科学研) ,  林知樹 (名古屋大) ,  山本龍一 (LINE) ,  渡部晋治 (Johns Hopkins Univ.)
資料名： 日本音響学会研究発表会講演論文集(CD-ROM)  (日本音響学会講演論文集(CD-ROM))
巻： 2020  号： 春季  ページ： ROMBUNNO.2-Q-32  発行年： 2020年03月02日 
JST資料番号： G0381C  ISSN： 1880-7658  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： ・非ペア音声データを用いたEnd-to-Endテキスト音声合成のための話者適応方式の提案。
・提案方式の手順は,まずテキストと音声のペアデータを用いて自動音声認識(ASR)とテキスト音声合成(TTS)を事前学習。
・その後,ASRモデルが目標話者の音声データから発話内容のテキストを生成,生成テキストと目標話者の音声データを用いて事前学習されたTTSモデルを微調整。
・提案方式を含めた5種類のTTSモデルについて,客観評価(音響特徴量の予測性能)と主観評価(話者類似性)実験を実施。
・実験により,本提案方式(非ペア音声データを用いた微調整モデル)はペアデータを用いた微調整モデルと同等性能であることを確認。

シソーラス用語： エンドツーエンド方式 ,  *音声認識 ,  *音声合成 ,  *適応 ,  データ ,  音響特性 ,  数値 ,  調整 ,  学習
準シソーラス用語： エンドツーエンド ,  音響特徴量 ,  音声データ ,  事前学習 ,  微調整 ,  *話者適応

分類 (2件)： パターン認識  (JE07000S) ,  音声処理  (JE05000E)

タイトルに関連する用語 (4件)： 音声認識 ,  音声合成 ,  教師 ,  話者適応