Prosody-TTS:韻律制御によるエンドツーエンド音声合成システム【JST・京大機械翻訳】

Pamisetty Giridhar; Murty K. Sri Rama

プレプリント

J-GLOBAL ID：202202220071899661 整理番号：21P0210118

Prosody-TTS:韻律制御によるエンドツーエンド音声合成システム【JST・京大機械翻訳】

Prosody-TTS: An end-to-end speech synthesis system with prosody control

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。

arXiv掲載論文の撤回有無については、一次情報をご確認下さい。

著者 (2件)： ,
資料名：
発行年： 2021年10月06日プレプリントサーバーでの情報更新日： 2021年10月06日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント言語：英語 (EN)

エンドツーエンドテキスト対音声合成システムは,自然性と明瞭度の改善により,近年,莫大な成功を達成した。しかし,主に注意ベースアラインメントに依存するエンドツーエンドモデルは,信号を合成する間,望ましい韻律を修正/導入するための明示的な規定を提供しない。さらに,最先端のエンドツーエンドシステムは,合成のために自己回帰モデルを使用し,予測シーケンシャルを作った。したがって,推論時間と計算量は非常に高かった。本論文では,統計的パラメトリックモデルとエンドツーエンドニューラルネットワークモデルの利点を組み合わせたエンドツーエンド音声合成モデルであるProsody-TTSを提案した。また,基本周波数(f_0)と電話継続時間を制御することで,所望の韻律を修正または組み込むための準備がある。適切な韻律とリズムを有する音声サンプル生成は,合成音声の自然性の改善を助ける。音素とf_0の継続時間を明示的にモデル化して,合成中にそれらの制御を行った。モデルは,入力テキストから音声波形を直接生成するためにエンドツーエンド方式で訓練され,次に音素継続時間,f_0,およびメルスペクトログラムを予測する補助サブタスクに依存する。IndicTTSデータベースのTelgu言語データに関する実験は,提案したProsody-TTSモデルが,非常に低い推論時間で,4.08の平均意見スコアで最先端の性能を達成することを示した。【JST・京大機械翻訳】

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

音声処理

, ,

ライセンス情報：

前のページに戻る