講演抄録/キーワード |
講演名 |
2013-07-25 17:30
出力特徴量の状態識別と長時間特徴量を用いた区分的線形変換による声質変換 ○池島 純・鈴木雅之・齋藤大輔・峯松信明・広瀬啓吉(東大) SP2013-56 |
抄録 |
(和) |
出力話者の状態識別と長時間特徴量を用いた区分的線形変換に基づく声質変換の手法を提案する。区分的線形変換は、入出力話者間の非線形変換をいくつかの線形変換のセットで実現するために、二つ機能から構成される。それは音響特徴量をいくつかの領域に分ける機能と、それぞれの領域ごとに線形変換に近似する機能である。この考え方はGMM(Gaussian Mixture Model) を用いてソフトに領域を分割することにより実現されており、声質変換に適応されている。従来の手法では、領域分割は入力話者の特徴量ベクトルまたは、入出力特徴量の結合特徴量ベクトルを用いて行われていた。しかし、入出力話者の特徴量空間の分布が大きく異なるとき、分割結果は出力話者の特徴量空間に適合していない。この状況を解決するため、出力話者の特徴量による空間分割を行う手法を提案した。出力話者の特徴量は変換時には使えないため、領域の所属確率を識別で推定する。また、声質変換でも音声認識の時と同様に長時間特徴量は大事であるので、識別と変換の過程において時間的に連続なフレームの特徴量を特徴量ベクトルに加えた。評価実験を行い提案手法が声質変換に有効であることを示した。 |
(英) |
A method has been proposed for voice conversion. It is based on piecewise linear transformation with long time-span features, and state discrimination of the target speaker. The piecewise linear transformation consists of two methods in order to realize nonlinear transformation between source and target speakers as a set of linear transformations; dividing acoustic feature space into several regions and approximating a linear transformation for each region. This idea has been implemented as ``soft'' space division using GMM (Gaussian Mixture Model) and successfully applied to voice conversion. In the original/conventional method, space division is conducted using feature vectors of source speaker or joint feature vectors of source and target speakers. However, resulted division is not in good much with feature space of target speaker, when there are large differences between distributions of feature spaces of source and target speakers. In order to solve this situation, a new method of space division by features of target speaker is developed. Since features of target speaker are not available during conversion, ”affiliation probability” is estimated using discriminative modeling scheme. Also features of time-adjacent frames are added to the feature vectors (of discrimination and transformation processes), corresponding to the fact that the long term features are important for voice conversion similar to the case of speech recognition. The proposed method was shown to be effective for voice conversion through objective and subjective evaluations. |
キーワード |
(和) |
声質変換 / 区分的線形変換 / 識別モデル / 長時間特徴量 / / / / |
(英) |
voice conversion / piecewise linear transformation / discrimination model / long span feature / / / / |
文献情報 |
信学技報, vol. 113, no. 161, SP2013-56, pp. 19-24, 2013年7月. |
資料番号 |
SP2013-56 |
発行日 |
2013-07-18 (SP) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
SP2013-56 |