文献

J-GLOBAL ID：202202232432326984   整理番号：22A0457620

多様な制御可能音声合成のためのGMMベースMDNによる電話レベル韻律モデリング【JST・京大機械翻訳】

Phone-Level Prosody Modelling With GMM-Based MDN for Diverse and Controllable Speech Synthesis

著者 (2件)： Du Chenpeng (X-LANCE Lab, Department of Computer Science and Engineering, MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University,, Shanghai, China) ,  Yu Kai (X-LANCE Lab, Department of Computer Science and Engineering, MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University,, Shanghai, China)
資料名： IEEE/ACM Transactions on Audio, Speech, and Language Processing  (IEEE/ACM Transactions on Audio, Speech, and Language Processing)
巻： 30  ページ： 190-201  発行年： 2022年 
JST資料番号： W0508B  ISSN： 2329-9290  CODEN： ITASFA  資料種別： 逐次刊行物 (A)
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： 多様で円滑な韻律パターンを持つ自然音声生成は,挑戦的なタスクである。音声レベル韻律分布によるランダムサンプリングは,異なる韻律パターンを生成するために研究されているが,生成された音声の多様性は,まだ非常に限られ,人間によって達成できるものから遠い。これは,電話レベル韻律モデリングの事前研究において,単一Gaussのような単峰分布の利用による。本研究では,GMMベース混合密度ネットワーク(MDN)を持つ音レベル韻律をモデリングし,次にGauss平均と分散の話者適応変換を用いてマルチ話者TTSに対して拡張する新しい方法を提案した。さらに,参照韻律を生成するGauss成分から韻律をサンプリングすることにより,参照音声から韻律をクローン化できることを示した。LJSpeechとLibriTTSデータセットに関する著者らの実験は,GMMベースのMDNによる提案方法が,単一話者とマルチ話者TTSの両方で単一Gaussを使用するよりも著しく良い多様性を達成するだけではなく,より良い自然性も提供することを示した。韻律クローニング実験は,GMMベースのMDNによる提案方法の韻律類似性が,最近提案された細粒VAEに匹敵し,一方,ターゲット話者類似性がより良いことを示した。Copyright 2022 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 ,  *電話 ,  ネットワーク ,  クローン ,  類似性 ,  無作為抽出
準シソーラス用語： *韻律 ,  話者適応 ,  クローニング ,  話者 ,  音声生成 , 【Automatic Indexing@JST】

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

タイトルに関連する用語 (5件)： 音声合成 ,  GMM ,  電話 ,  韻律 ,  モデリング