| 講演名 | 2023-02-28 Multi-stream FC-HiFi-GAN:学習可能な軽量アップサンプリングを用いた高速ニューラル波形生成モデル 山下 陽生(神戸大/NICT), 岡本 拓磨(NICT), 高島 遼一(神戸大), 滝口 哲也(神戸大), 戸田 智基(名大/NICT), 河井 恒(NICT), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 近年テキスト音声合成~(Text-to-Speech:~TTS)では品質を保ったまま推論速度を向上することが求められており，そのためニューラルボコーダの高速化が研究されている．Multi-Stream~(MS) iSTFT-HiFi-GANは1CPUでも音声波形を推論可能なボコーダであるHiFi-GANの高速モデルとして提案され，VITSを用いたTTSタスクにおいて若干の音質の劣化があったものの約4倍の高速化がなされた．そこで本稿では，MS-iSTFT-HiFiGANの合成品質向上を目的として逆短時間フーリエ変換~(iSTFT)部を学習可能な全結合層へと変更したMS-FC-HiFi-GANを提案する．このモデルについて，分析合成タスクとテキスト音声合成タスクの2つのタスクにおいて推論速度，合成品質を既存のHiFi-GANの高速モデルと比較を行った．実験の結果，分析合成タスクにおける提案モデルの推論速度は1CPUにおいて0.15のReal Time Factorとなり，MS-iSTFT-HiFiGANと同程度であることが確認された．また提案モデルの合成品質は，TTSタスクではMS-iSTFT-HiFiGANに劣ったものの分析合成では上回る結果となった． |
| 抄録(英) | In recent years, in text-to-speech synthesis, it is required to improve the inference speed while keeping the quality. Multi-stream(MS) iSTFT-HiFiGAN was proposed as a high-speed model of HiFi-GAN, a vocoder capable of inferring waveforms on single CPU. In the TTS task using VITS, although there was some deterioration in sound quality, the speed was increased by about 4 times. In this paper, we propose a MS-FC-HiFi-GAN in which the inverse short-time Fourier transform (iSTFT) part is changed to trainable fully connected layer for the purpose of improving the synthesis quality of the MS-iSTFT-HiFiGAN. As for the inference speed, RTF was 0.15 on 1 CPU, which is the same as MS-iSTFT-HiFiGAN. Synthesis quality was inferior to that of MS-iSTFT-HiFiGAN in TTS task, but was superior to thatin analysis/synthesis task. |
| キーワード(和) | 音声合成 / ニューラルボコーダ / HiFi-GAN / Text-to-Speech / 分析合成 |
| キーワード(英) | speech synthesis / Neural Vocoder / HiFi-GAN / Text-to-Speech / Analysis Synthesis |
| 資料番号 | EA2022-76,SIP2022-120,SP2022-40 |
| 発行日 | 2023-02-21 (EA, SIP, SP) |
| 研究会情報 | |
| 研究会 | SP / IPSJ-SLP / EA / SIP |
|---|---|
| 開催期間 | 2023/2/28(から2日開催) |
| 開催地（和） | 沖縄県立博物館・美術館 |
| 開催地（英） | |
| テーマ（和） | 音声，応用／電気音響, 信号処理，一般 |
| テーマ（英） | |
| 委員長氏名（和） | 戸田 智基(名大) / 戸田 智基(名大) / 古家 賢一(大分大) / 田中 聡久(東京農工大) |
| 委員長氏名（英） | Tomoki Toda(Nagoya Univ.) / Tomoki Toda(Nagoya Univ.) / Kenichi Furuya(Oita Univ.) / Toshihisa Tanaka(Tokyo Univ. Agri.&Tech.) |
| 副委員長氏名（和） | / / 加古 達也(NTT) / 小野 順貴(都立大) / 市毛 弘一(横浜国大) / 仲地 孝之(琉球大学) |
| 副委員長氏名（英） | / / Tatsuya Kako(NTT) / Junki Ono(Tokyo Metropolitan Univ.) / Koichi Ichige(Yokohama National Univ.) / Takayuki Nakachi(Ryukyu Univ.) |
| 幹事氏名（和） | 増村 亮(NTT) / 中鹿 亘(電通大) / 増村 亮(NTT) / 中鹿 亘(電通大) / 若山 圭吾(NTT) / 西浦 敬信(立命館大) / 田中 雄一(東京農工大) / 京地 清介(北九州市大) |
| 幹事氏名（英） | Ryo Masumura(NTT) / Toru Nakashika(Univ. of Electro-Comm.) / Ryo Masumura(NTT) / Toru Nakashika(Univ. of Electro-Comm.) / Keigo Wakayama(NTT) / Takanobu Nishiura(RitsumeikanUniv.) / Yuichi Tanaka(Tokyo Univ. Agri.&Tech.) / Seisuke Kyochi(Univ. of Kitakyushu) |
| 幹事補佐氏名（和） | 相原 龍(三菱電機) / 齋藤 大輔(東大) / 相原 龍(三菱電機) / 齋藤 大輔(東大) / 中山 雅人(大阪産業大) / 矢田部 浩平(東京農工大) / 吉田 太一(電通大) / 今泉 祥子(千葉大) |
| 幹事補佐氏名（英） | Ryo Aihara(Mitsubishi Electric) / Daisuke Saito(Univ. of Tokyo) / Ryo Aihara(Mitsubishi Electric) / Daisuke Saito(Univ. of Tokyo) / Masato Nakayama(Osaka Sangyo Univ.) / Kouhei Yatabe(Tuat) / Taichi Yoshida(UEC) / Shoko Imaizumi(Chiba Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Speech / Special Interest Group on Spoken Language Processing / Technical Committee on Engineering Acoustics / Technical Committee on Signal Processing |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | Multi-stream FC-HiFi-GAN:学習可能な軽量アップサンプリングを用いた高速ニューラル波形生成モデル |
| サブタイトル（和） | |
| タイトル（英） | Multi-stream FC-HiFi-GAN:Fast Neural Vocoder Model Using Learnable Lightweight Upsampling |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 音声合成 / speech synthesis |
| キーワード(2)（和/英） | ニューラルボコーダ / Neural Vocoder |
| キーワード(3)（和/英） | HiFi-GAN / HiFi-GAN |
| キーワード(4)（和/英） | Text-to-Speech / Text-to-Speech |
| キーワード(5)（和/英） | 分析合成 / Analysis Synthesis |
| 第 1 著者 氏名（和/英） | 山下 陽生 / Haruki Yamashita |
| 第 1 著者 所属（和/英） | 神戸大学/国立研究開発法人 情報通信研究機構(略称：神戸大/NICT) Kobe University/National Institute of Information and Communications Technology(略称：Kobe Univ/NICT) |
| 第 2 著者 氏名（和/英） | 岡本 拓磨 / Takuma Okamoto |
| 第 2 著者 所属（和/英） | 国立研究開発法人 情報通信研究機構(略称：NICT) National Institute of Information and Communications Technology(略称：NICT) |
| 第 3 著者 氏名（和/英） | 高島 遼一 / Ryoichi Takashima |
| 第 3 著者 所属（和/英） | 神戸大学(略称：神戸大) Kobe University(略称：Kobe Univ) |
| 第 4 著者 氏名（和/英） | 滝口 哲也 / Tetsuya Takiguchi |
| 第 4 著者 所属（和/英） | 神戸大学(略称：神戸大) Kobe University(略称：Kobe Univ) |
| 第 5 著者 氏名（和/英） | 戸田 智基 / Tomoki Toda |
| 第 5 著者 所属（和/英） | 名古屋大学/国立研究開発法人 情報通信研究機構(略称：名大/NICT) Nagoya University/National Institute of Information and Communications Technology(略称：Nagoya Univ/NICT) |
| 第 6 著者 氏名（和/英） | 河井 恒 / Hisashi Kawai |
| 第 6 著者 所属（和/英） | 国立研究開発法人 情報通信研究機構(略称：NICT) National Institute of Information and Communications Technology(略称：NICT) |
| 発表年月日 | 2023-02-28 |
| 資料番号 | EA2022-76,SIP2022-120,SP2022-40 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | EA-387,SIP-388,SP-389 |
| ページ範囲 | pp.7-12(EA), pp.7-12(SIP), pp.7-12(SP), |
| ページ数 | 6 |
| 発行日 | 2023-02-21 (EA, SIP, SP) |