抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
データ効率的な音声クローニングは,手で少数の登録サンプルだけを有する目標話者の音声を合成することを目的とする。この目的のために,話者適応と話者符号化は,複数の話者から訓練されたベースモデルに基づく2つの典型的な方法である。前者は,直接モデル更新を通して話者の音声をターゲット話者に転送するために,マルチ話者モデルを転送するために,小さな集合の目標話者データを使用し,一方,後者では,モデル更新なしで,ターゲット話者の音声を合成するために,マルチ話者モデルとともに,ほんの数秒の目標話者の音声が,余分の話者符号化モデルを通して,直接通過する。それにもかかわらず,2つの方法はクリーンなターゲット話者データを必要とする。しかし,ユーザによって提供されるサンプルは,実際の応用において音響雑音を必然的に含む。雑音の多いデータでターゲット音声を生成することは,まだ困難である。本論文では,シーケンスツーシーケンスベースTTSパラダイムの下で,雑音の多いサンプルからのデータ効率的音声クローニング問題を研究した。特に,話者適応と話者符号化にドメイン敵対訓練(DAT)を導入し,音声雑音混合から雑音を解消することを目指した。実験は,話者適応と符号化の両方に対して,提案した方式が雑音のある話者サンプルからクリーン音声を一貫して合成でき,最先端の音声強調モジュールを採用する方法を明らかに凌ぐことを示した。【JST・京大機械翻訳】