| 講演名 | 2020-10-22 ［招待講演］日本語End-to-End 音声合成に対するNHKの取り組み 栗原 清(NHK), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 放送事業者であるNHKは，番組を制作し，それを放送することを主な業務としている．毎日，多くの番組を制作する中で，音声コンテンツを制作する作業も大量に存在し，アナウンサー，ディレクター，エンジニアといった多くの人がその作業に携わっている．我々は，この作業を支援し，新たな音声サービスを実現するためにディープニューラルネットワーク(DNN)を用いた音声合成の研究を行っている．DNN音声合成は学習に大量のデータを必要とするため，より安価に学習データを取得し，質の高い音声を生成するために，end-to-end音声合成の研究に取り組んでいる．我々は，日本語のend-to-end音声合成の実現に向けて，英語で実績のあるsequence-to-sequence + attention方式の音声合成(seq2seq音声合成)の日本語化に取り組み，「読み仮名と韻律記号」というJEITA IT-4006日本語テキスト音声合成用記号をベースとした文字列を入力データとする音声合成手法を考案した．また，seq2seq音声合成の入力データに発話スタイルを表現するタグを加える事で，発話スタイル制御を可能とする手法を開発した．これらの手法を実装した音声合成システムのアプリケーションを開発し，様々な現場での実用を検討している．本稿では，これらNHKの音声合成への取り組みと共に，NHK放送技術研究所(NHK Science & Technology Research Laboratories)で研究開発を進めているユニバーサルサービスの取り組みについても紹介する． |
| 抄録(英) | The main business of NHK (Japan Broadcasting Corporation) is the production and broadcasting of programs. Many programs are produced daily and a considerable amount of work goes into the production of speech content by many people including announcers, directors, and engineers. To support this work and to provide new speech services, we have been researching speech synthesis using Deep Neural Networks (DNNs). DNN speech synthesis requires a large amount of data for training purposes, so we are also involved in the research of end-to-end speech synthesis to reduce the cost of obtaining this training data and generate high-quality speech. To achieve end-to-end speech synthesis in the Japanese language, we adapted the sequence-to-sequence + attention system of speech synthesis (seq2seq speech synthesis), which has proven results in English, to Japanese and proposed a speech synthesis technique that takes character strings consisting of kana (phonetic) text and prosodic symbols as input based on JEITA IT-4006, symbols for Japanese Text-to-Speech Synthesizer. We also developed a technique that enables control of speaking style by adding tags that express speaking style to the input data of seq2seq speech synthesis. We are developing applications for a speech synthesis system that incorporates these techniques and studying their use in a variety of scenarios. This talk describes these NHK activities in speech synthesis and introduces NHK’s efforts in universal services now being researched and developed at NHK Science & Technology Research Laboratories. |
| キーワード(和) | 統計的パラメトリック音声合成 / end-to-end音声合成 / 発話スタイル制御 / Encoder-Decoderモデル |
| キーワード(英) | Statistical parametric speech synthesis / End-to-end speech synthesis / Speaking Style / Encoder-Decoder model |
| 資料番号 | SP2020-11,WIT2020-12 |
| 発行日 | 2020-10-15 (SP, WIT) |
| 研究会情報 | |
| 研究会 | WIT / SP / IPSJ-SLP |
|---|---|
| 開催期間 | 2020/10/22(から2日開催) |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 音声処理の実用化と福祉への応用および福祉情報工学・一般 |
| テーマ（英） | |
| 委員長氏名（和） | 若月 大輔(筑波技大) / 河井 恒(NICT) / 北岡 教英(豊技大) |
| 委員長氏名（英） | Daisuke Wakatsuki(Tsukuba Univ. of Tech.) / Hisashi Kawai(NICT) / 北岡 教英(豊技大) |
| 副委員長氏名（和） | 酒向 慎司(名工大) |
| 副委員長氏名（英） | Shinji Sakou(Nagoya Inst. of Tech.) |
| 幹事氏名（和） | 半田 隆志(埼玉県産業技術総合センター) / 塩野目 剛亮(帝京大) / 雨宮 智浩(東大) / 高道 慎之介(東大) / 小川 哲司(早大) / 秋田 祐哉(京大) / 太刀岡 勇気(デンソーITラボ) / 高島 遼一(神戸大) / 高道 慎之介(東大) |
| 幹事氏名（英） | Takashi Handa(Saitama Industrial Tech. Center) / Takeaki Shionome(Teikyo Univ.) / Tomohiro Amemiya(Univ. of Tokyo) / Shinnosuke Takamichi(Univ. of Tokyo) / Tetsuji Ogawa(Waseda Univ.) / 秋田 祐哉(京大) / 太刀岡 勇気(デンソーITラボ) / 高島 遼一(神戸大) / 高道 慎之介(東大) |
| 幹事補佐氏名（和） | 宮城 愛美(筑波技術大) / 細野 美奈子(産総研) / 菅野 亜紀(名大) / 井島 勇祐(NTT) |
| 幹事補佐氏名（英） | Manabi Miyagi(Tsukuba Univ. of Tech.) / Minako Hosono(AIST) / Aki Sugano(Nagoya Univ.) / Yusuke Ijima(NTT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Well-being Information Technology / Technical Committee on Speech / Special Interest Group on Spoken Language Processing |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | ［招待講演］日本語End-to-End 音声合成に対するNHKの取り組み |
| サブタイトル（和） | |
| タイトル（英） | [Invited Talk] NHK's activities on Japanese end-to-end speech synthesis |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 統計的パラメトリック音声合成 / Statistical parametric speech synthesis |
| キーワード(2)（和/英） | end-to-end音声合成 / End-to-end speech synthesis |
| キーワード(3)（和/英） | 発話スタイル制御 / Speaking Style |
| キーワード(4)（和/英） | Encoder-Decoderモデル / Encoder-Decoder model |
| 第 1 著者 氏名（和/英） | 栗原 清 / Kiyoshi Kurihara |
| 第 1 著者 所属（和/英） | 日本放送協会(略称：NHK) NHK (Japan Broadcasting Corporation)(略称：NHK) |
| 発表年月日 | 2020-10-22 |
| 資料番号 | SP2020-11,WIT2020-12 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | SP-197,WIT-198 |
| ページ範囲 | pp.19-20(SP), pp.19-20(WIT), |
| ページ数 | 2 |
| 発行日 | 2020-10-15 (SP, WIT) |