Expressive End-to-End音声合成のための深文文脈の利用【JST・京大機械翻訳】

Yang Fengyu; Yang Shan; Wu Qinghua; Wang Yujun; Xie Lei

プレプリント

J-GLOBAL ID：202202207444213920 整理番号：22P0177701

Expressive End-to-End音声合成のための深文文脈の利用【JST・京大機械翻訳】

Exploiting Deep Sentential Context for Expressive End-to-End Speech Synthesis

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年08月02日プレプリントサーバーでの情報更新日： 2020年08月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

注意ベースseq2seqテキスト対音声システム,特に自己注意ネットワーク(SAN)は最先端の性能を達成した。しかし,豊富な韻律を有する表現コーパスは,1)韻律的側面,すなわち,異なる送付性粒状性にわたってスパンし,主に音響表現性を決定するので,まだ,表現とラベルを量子化するのが困難であり,2)現在のseq2seqフレームワークは,テキスト符号器からのみ韻律情報を抽出するのが困難であり,表現内容のために平均表現に簡単に崩壊する。本論文では,seq2seqベースTTSのための表現コーパス上の送付コンテキストを十分に利用するために,SANベーステキスト符号器上に構築されるコンテキスト抽出器を提案する。コンテキスト抽出器は,まず異なるSAN層から韻律関連送信コンテキスト情報を収集し,次にそれらを集約的文章表現を学習して,最終生成音声の表現性を強化した。特に,コンテキスト集約の2つの方法を検討した。1)異なるSAN層の出力を直接的に連結する直接凝集,2)異なるSAN層に対する寄与を自動的に学習するためのマルチヘッド注意を用いる重み付け集約。2つの表現コーパスに関する実験は,著者らのアプローチがはるかに豊富な韻律変化によってより多くの自然音声を作り出すことができて,加重凝集がモデリング表現性においてより優れることを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

音声処理

, ,

前のページに戻る