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。
神経テキスト対音声研究の最近の進歩は,メルスペクトログラムのような低レベル中間音声表現を利用する2段階パイプラインによって支配されてきた。しかし,隠れ表現を学習することを通してデータ駆動手法のフルポテンシャルを利用することができないので,そのような事前決定特徴は基本的に制限される。この理由のために,いくつかのエンドツーエンド法が提案されている。しかし,そのようなモデルは訓練が困難であり,転写による多数の高品質記録を必要とする。ここでは,中間音声表現として高次元Wav2Vec2.0埋込みを用いてボトルネックを解決する2段階アーキテクチャであるWavThruVecを提案する。これらの隠れ活性化は高レベルの言語特徴を提供するので,それらは雑音に対してよりロバストである。これは,第一段階モジュールを訓練するために,低品質の注釈付き音声データセットの利用を可能にする。同時に,Wav2Vec2.0埋込みが既に時間整列しているので,第2段階成分を大規模非転写オーディオコーパス上で訓練できる。これは,語彙外単語に対する一般化能力の増加,および話者の話者に対するより良い一般化をもたらした。提案モデルは最先端のニューラルモデルの品質と一致するだけでなく,音声変換やゼロショット合成のようなタスクを可能にする有用な特性も示す。【JST・京大機械翻訳】