| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2021-03-03 14:05 ［ポスター講演］大規模言語モデルによる未観測文の生成機構を持つEnd-to-Endインクリメンタル音声合成 ○佐伯高明・高道慎之介・猿渡 洋（東大）  EA2020-74 SIP2020-105 SP2020-39 |
|
| 抄録 | （和） | テキスト音声合成 (text-to-speech: TTS) は，テキスト情報から人間の発話音声を人工的に合成する技術である．近年の深層学習の発展に伴い，人間の自然音声と同程度に高品質な発話音声を生成できるend-to-end TTSモデルが提案されている．このような手法の多くは，発話文全体の長い時系列情報をモデルの入力として用いることで出力音声を合成する，発話文単位でのTTS手法である．しかし，同時音声翻訳への応用など，文が逐次的にしか観測されず，かつ低遅延な処理が必要な場合，小さな言語単位ごとに逐次的に音声合成を行うインクリメンタルTTSを確立する必要がある．一般に，インクリメンタルTTSでは，出力音声品質と出力遅延との間にトレードオフが発生する．未観測の後続言語情報 (lookahead) を用いずに当該文セグメントからの合成を行う場合，遅延を限りなく抑えられる一方で，自然性の高い音声を出力することは困難である．反対に，未観測文の入力を待ってから生成処理を行うことで自然性は向上するが，後続文観測の待機に伴う出力遅延が発生する．本研究では，大規模言語モデルを用いて擬似lookaheadを生成することで，後続文の待機時間を発生させずに未観測のコンテキストを考慮するインクリメンタルTTS手法を提案する．提案手法は，人間が文を逐次的に読み上げる際の文予測機能を，計算機的に模倣する手法と捉えることができ，多様なドメインのテキストデータで学習されたGPT2を用いて，汎用的な言語知識に基づくlookahead生成を行う．実験的評価により，提案手法は，(1) 過去のコンテキストのみを考慮したインクリメンタルTTS手法よりも有意に高品質な合成音声を出力でき，(2) 真のlookaheadの観測を待つ場合と同程度の合成音声品質を達成できることを示す． |
| （英） | (Not available yet) | |
| キーワード | （和） | インクリメンタル音声合成 / end-to-end音声合成 / 言語モデル / コンテキスト埋め込み / / / / |
| （英） | / / / / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 399, SP2020-39, pp. 85-90, 2021年3月. | |
| 資料番号 | SP2020-39 | |
| 発行日 | 2021-02-24 (EA, SIP, SP) | |
| ISSN | 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 | EA2020-74 SIP2020-105 SP2020-39 |
|
| 研究会情報 | |
| 研究会 | EA US SP SIP IPSJ-SLP |
| 開催期間 | 2021-03-03 - 2021-03-04 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 音声,応用／電気音響,信号処理，超音波，一般 |
| テーマ（英） | Speech, Engineering/Electro Acoustics, Signal Processing, Ultrasonics, and Related Topics |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2021-03-EA-US-SP-SIP-SLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 大規模言語モデルによる未観測文の生成機構を持つEnd-to-Endインクリメンタル音声合成 |
| サブタイトル（和） | |
| タイトル（英） | End-to-end incremental TTS with lookahead generation with large pretrained language model |
| サブタイトル（英） | |
| キーワード(1)（和/英） | インクリメンタル音声合成 / |
| キーワード(2)（和/英） | end-to-end音声合成 / |
| キーワード(3)（和/英） | 言語モデル / |
| キーワード(4)（和/英） | コンテキスト埋め込み / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 佐伯 高明 / Takaaki Saeki / サエキ タカアキ |
| 第1著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 第2著者 氏名（和/英/ヨミ） | 高道 慎之介 / Shinnosuke Takamichi / タカミチ シンノスケ |
| 第2著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 第3著者 氏名（和/英/ヨミ） | 猿渡 洋 / Hiroshi Saruwatari / サルワタリ ヒロシ |
| 第3著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2021-03-03 14:05:00 |
| 発表時間 | 90分 |
| 申込先研究会 | SP |
| 資料番号 | EA2020-74, SIP2020-105, SP2020-39 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.397(EA), no.398(SIP), no.399(SP) |
| ページ範囲 | pp.85-90 |
| ページ数 | 6 |
| 発行日 | 2021-02-24 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]