| 講演名 | 2017-01-21 DNN音声合成における音響特徴量系列とその時間構造の同時モデル化 橋本 佳(名工大), 大浦 圭一郎(名工大), 南角 吉彦(名工大), 徳田 恵一(名工大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 統計的パラメトリック音声合成では，言語特徴量系列から音響特徴量系列を予測する音響モデルを精度良く学習することが重要な課題である．統計的パラメトリック音声合成の代表的な手法の1 つに隠れマルコフモデル（hidden Markov model; HMM）に基づく音声合成がある．隠れセミマルコフモデル（hidden semi-Markov model; HSMM）と呼ばれる状態継続長分布を持つHMM を用いることで，音響特徴量系列とその時間構造を同時学習することが可能である．一方，近年，ディープニューラルネットワーク（deep neural network; DNN）を音響モデルとして利用することで合成音声の自然性は従来法から大きく改善された．しかし，DNN は入出力特徴量間の一対一の関係をモデル化するため，長さの異なる入出力特徴量系列を直接取り扱うことができず，音声の時間構造を学習することはできない．本稿では，混合密度ネットワークを拡張し，HSMM の構造を導入した新しいDNN に基づく音声合成の枠組みを提案する．提案法はニューラルネットワークの出力からHSMM のパラメータを求めることで，音響特徴量系列とその時間構造の同時学習を実現する．実験結果から，提案法は計算量を大幅に削減しながら，従来のDNN 音声合成と同等の性能を示した． |
| 抄録(英) | In statistical parametric speech synthesis, a hidden Markov model (HMM) is widely used as an acoustic model. Recently, deep neural networks (DNNs) are used as acoustic models and DNN-based systems show better performance than HMM-based ones. In the conventional DNN-based speech synthesis, acoustic features are modeled by DNNs. However, duration information is given from other external duration predictors and temporal structures of speech are not considered in training of DNNs. In this paper, we propose a novel DNN-based acoustic model that outputs parameters of hidden semi-Markov models (HSMMs), which is an HMM with explicit duration models. The proposed method can simultaneously model acoustic feature sequences and its temporal structures in a unified framework. Experimental results show that the proposed method can generate natural-sounding speech as achieving a significant computational cost reduction. |
| キーワード(和) | 音声合成 / ディープニューラルネットワーク / 音響モデル / 継続長モデル / 隠れセミマルコフモデル |
| キーワード(英) | speech synthesis / deep neural network / acoustic model / duration model / hidden semi-Markov model |
| 資料番号 | SP2016-76 |
| 発行日 | 2017-01-14 (SP) |
| 研究会情報 | |
| 研究会 | SP |
|---|---|
| 開催期間 | 2017/1/21(から1日開催) |
| 開催地（和） | 東京大学 |
| 開催地（英） | The University of Tokyo |
| テーマ（和） | 合成，生成，韻律，音声一般 |
| テーマ（英） | Synthesis, Generation, Prosody, etc. |
| 委員長氏名（和） | 間野 一則(芝浦工大) |
| 委員長氏名（英） | Kazunori Mano(Shibaura Inst. of Tech.) |
| 副委員長氏名（和） | 森 大毅(宇都宮大) |
| 副委員長氏名（英） | Hiroki Mori(Utsunomiya Univ.) |
| 幹事氏名（和） | 滝口 哲也(神戸大) / 西田 昌史(静岡大) |
| 幹事氏名（英） | Tetsuya Takiguchi(Kobe Univ.) / Masafumi Nishida(Shizuoka Univ.) |
| 幹事補佐氏名（和） | 浅見 太一(NTT) / 橋本 佳(名工大) |
| 幹事補佐氏名（英） | Taichi Asami(NTT) / Kei Hashimoto(Nagoya Inst. of Tech.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Speech |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | DNN音声合成における音響特徴量系列とその時間構造の同時モデル化 |
| サブタイトル（和） | |
| タイトル（英） | Simultaneous modeling of acoustic feature sequences and its temporal structures for DNN-based speech synthesis |
| 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） | ディープニューラルネットワーク / deep neural network |
| キーワード(3)（和/英） | 音響モデル / acoustic model |
| キーワード(4)（和/英） | 継続長モデル / duration model |
| キーワード(5)（和/英） | 隠れセミマルコフモデル / hidden semi-Markov model |
| 第 1 著者 氏名（和/英） | 橋本 佳 / Kei Hashimoto |
| 第 1 著者 所属（和/英） | 名古屋工業大学(略称：名工大) Nagoya Institute of Technology(略称：Nagoya Inst. of Tech.) |
| 第 2 著者 氏名（和/英） | 大浦 圭一郎 / Keiichiro Oura |
| 第 2 著者 所属（和/英） | 名古屋工業大学(略称：名工大) Nagoya Institute of Technology(略称：Nagoya Inst. of Tech.) |
| 第 3 著者 氏名（和/英） | 南角 吉彦 / Yoshihiko Nankaku |
| 第 3 著者 所属（和/英） | 名古屋工業大学(略称：名工大) Nagoya Institute of Technology(略称：Nagoya Inst. of Tech.) |
| 第 4 著者 氏名（和/英） | 徳田 恵一 / Keiichi Tokuda |
| 第 4 著者 所属（和/英） | 名古屋工業大学(略称：名工大) Nagoya Institute of Technology(略称：Nagoya Inst. of Tech.) |
| 発表年月日 | 2017-01-21 |
| 資料番号 | SP2016-76 |
| 巻番号（vol） | vol.116 |
| 号番号（no） | SP-414 |
| ページ範囲 | pp.71-76(SP), |
| ページ数 | 6 |
| 発行日 | 2017-01-14 (SP) |