| 講演名 | 2017-03-01 ［ポスター講演］話者コードを用いたDNN音声合成における話者適応手法の検討 北条 伸克(NTT), 井島 勇祐(NTT), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 本論文では，DNN に基づくテキスト音声合成の話者適応手法について，従来提案されている手法間の性能を比較するため，客観評価実験を行う．1 つの話者適応手法は，話者コードを中間層に入力することで，話者の特徴をモデル化する手法である．目標話者の話者コードを再推定するモデル適応手法の他に，話者コードから中間層への回帰関数を再推定する適応手法を我々は過去に提案している．もう1 つの話者適応手法は，話者依存出力層を用いた手法であり，DNN の全中間層を話者間で共有し，話者ごとに異なる出力層を持つDNN を使用する． 話者適応時には，目標話者に対応する出力層の回帰パラメータが再推定される．これらの話者適応手法はこれまで同一実験条件下で比較されておらず，モデル構造や適応時に再推定されるパラメータ数等の差異が，どのように性能に影響するかは明らかでない．本研究は，35 名の話者からなる音声コーパスを使用した話者適応実験を行い，客観評価により各話者適応手法の性能を比較した．実験結果から，話者コードに基づく手法では，適応パラメータ数が大きいモデルの性能が高い傾向が確認された．また，話者コードに基づく手法は，適応パラメータ数が十分大きい場合，話者依存出力層を用いた手法と性能が同程度であることが明らかとなった． |
| 抄録(英) | In this work, we conducted objective evaluation experiments on the conventional speaker adaptation methods for DNN-based text-to-speech synthesis in order to compare their performance. One speaker adaptation method is based on speaker codes, which uses speaker codes as a input to the hidden layers. Besides the speaker adaptation method which reestimates the target speaker’s code, we have proposed the adaptation method to estimate the regression function for speaker codes. The other speaker adaptation method uses speaker dependent output layer, which shares hidden layers across all the speakers while the output layers are composed of speaker-dependent nodes. The model can be adapted to a target speaker by estimating regression layer parameters for the corresponding output layer. It has not been revealed how the difference of the model architecture and the number of adaptation parameters affects the performance. This work conducts speaker adaptation experiments using speech corpus which consists of 35 speakers’ speech data, and compared the performance by objective measure. From the experimental results, it was revealed that the speaker code-based models with more adaptation parameters show higher performance. It was also shown that the speaker code based models show comparable performance to speaker dependent output layer models when the number of adaptation parameters is set to large. |
| キーワード(和) | 音声合成 / 音響モデル / DNN / 話者コード / 話者適応 |
| キーワード(英) | speech synthesis / acoustic model / deep neural network / speaker codes |
| 資料番号 | EA2016-108,SIP2016-163,SP2016-103 |
| 発行日 | 2017-02-22 (EA, SIP, SP) |
| 研究会情報 | |
| 研究会 | SP / SIP / EA |
|---|---|
| 開催期間 | 2017/3/1(から2日開催) |
| 開催地（和） | 沖縄産業支援センター |
| 開催地（英） | Okinawa Industry Support Center |
| テーマ（和） | 音声，応用／電気音響，信号処理，一般 |
| テーマ（英） | Speech, Engineering/Electro Acoustics, Signal Processing, and Related Topics |
| 委員長氏名（和） | 間野 一則(芝浦工大) / 中静 真(千葉工大) / 水町 光徳(九工大) |
| 委員長氏名（英） | Kazunori Mano(Shibaura Inst. of Tech.) / Makoto Nakashizuka(Chiba Inst. of Tech.) / Mitsunori Mizumachi(Kyushu Inst. of Tech.) |
| 副委員長氏名（和） | 森 大毅(宇都宮大) / 奥田 正浩(北九州市大) / 村松 正吾(新潟大) / 羽田 陽一(電通大) / 島内 末廣(NTT) |
| 副委員長氏名（英） | Hiroki Mori(Utsunomiya Univ.) / Masahiro Okuda(Univ. of Kitakyushu) / Shogo Muramatsu(Niigata Univ.) / Yoichi Haneda(Univ. of Electro-Comm.) / Suehiro Shimauchi(NTT) |
| 幹事氏名（和） | 滝口 哲也(神戸大) / 西田 昌史(静岡大) / 平林 晃(立命館大) / 宮田 高道(千葉工大) / 堀内 俊治(KDDI研) / 渡邉 貫治(秋田県立大) |
| 幹事氏名（英） | Tetsuya Takiguchi(Kobe Univ.) / Masafumi Nishida(Shizuoka Univ.) / Akira Hirabayashi(Ritsumeikan Univ.) / Takamichi Miyata(Chiba Inst. of Tech.) / Toshiharu Horiuchi(KDDI R&D Labs.) / Kanji Watanabe(Akita Pref. Univ.) |
| 幹事補佐氏名（和） | 浅見 太一(NTT) / 橋本 佳(名工大) / 渡邊 修(拓殖大) / 武岡 成人(静岡理工科大) / TREVINO Jorge(東北大) |
| 幹事補佐氏名（英） | Taichi Asami(NTT) / Kei Hashimoto(Nagoya Inst. of Tech.) / Osamu Watanabe(Takushoku Univ.) / Shigeto Takeoka(Shizuoka Inst. of Science and Tech.) / TREVINO Jorge(Tohoku Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Speech / Technical Committee on Signal Processing / Technical Committee on Engineering Acoustics |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | ［ポスター講演］話者コードを用いたDNN音声合成における話者適応手法の検討 |
| サブタイトル（和） | |
| タイトル（英） | [Poster Presentation] An investigation of speaker adaptation method for DNN-based speech synthesis using speaker codes |
| 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） | 音響モデル / acoustic model |
| キーワード(3)（和/英） | DNN / deep neural network |
| キーワード(4)（和/英） | 話者コード / speaker codes |
| キーワード(5)（和/英） | 話者適応 |
| 第 1 著者 氏名（和/英） | 北条 伸克 / Nobukatsu Hojo |
| 第 1 著者 所属（和/英） | 日本電信電話株式会社(略称：NTT) Nippon Telegraph and Telephone Corporation(略称：NTT) |
| 第 2 著者 氏名（和/英） | 井島 勇祐 / Yusuke Ijima |
| 第 2 著者 所属（和/英） | 日本電信電話株式会社(略称：NTT) Nippon Telegraph and Telephone Corporation(略称：NTT) |
| 発表年月日 | 2017-03-01 |
| 資料番号 | EA2016-108,SIP2016-163,SP2016-103 |
| 巻番号（vol） | vol.116 |
| 号番号（no） | EA-475,SIP-476,SP-477 |
| ページ範囲 | pp.147-152(EA), pp.147-152(SIP), pp.147-152(SP), |
| ページ数 | 6 |
| 発行日 | 2017-02-22 (EA, SIP, SP) |