| 講演名 | 2018-01-21 複数話者WaveNetボコーダに関する調査 林 知樹(名大), 小林 和弘(名大), 玉森 聡(名大), 武田 一哉(名大), 戸田 智基(名大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 本稿では，複数話者WaveNetボコーダに関する調査を行う．我々の先行研究において，単一の話者の発話を用いて学習された話者依存WaveNetボコーダは，位相情報などの時系列構造をモデル化することを可能とし，従来の高品質なSTRAIGHTボコーダを上回る品質を示すことが明らかとなった．しかしながら，話者依存WaveNetボコーダはその高い話者依存性のために，複数の話者の音声など様々な特徴を持つ音声を合成できるとは限らない．柔軟かつ高い自然性を持つ音声の合成を可能とするWaveNetボコーダの実現に向け，補助特徴量の改善，ノイズシェーピングによる聴覚マスキングの導入，及び，複数話者データを用いた学習をWaveNetボコーダに適用し，その有効性を調査する．さらに，学習データ量が合成品質に与える影響の調査も行う．我々は実験的に下記の3点を明らかにする．1) 複数話者WaveNetボコーダは，既知話者に対しては話者依存WaveNetボコーダと同等の自然性を示すが，未知話者に対しては自然性が低下する．2) 複数話者WaveNetボコーダは，既知話者だけでなく，未知話者に対しても従来の高品質ボコーダSTRAIGHTの自然性を大きく上回る．3) 単一話者・複数話者に関わらず，客観評価値は学習データ量に比例して改善する． |
| 抄録(英) | In this paper, we investigate a multi-speaker WaveNet vocoder. In our previous work, we have demonstrated that our proposed speaker-dependent (SD) WaveNet vocoder, which is trained with a single speaker's speech data, is capable of modeling temporal waveform structure, such as phase information, and makes it possible to generate more natural sounding synthetic voices compared to the conventional high-quality vocoder, STRAIGHT. However, it is still difficult to generate synthetic voices of various speakers using the SD-WaveNet due to its speaker-dependent property. Towards the development of speaker-independent WaveNet vocoder, we update the auxiliary features, introduce the noise shaping technique, and apply multi-speaker training techniques to the WaveNet vocoder and investigate their effectiveness. Moreover, we investigate the effectiveness of the amount of training data. The experimental results demonstrate that 1) the multi-speaker WaveNet vocoder is comparable to SD WaveNet in generating known speakers' voices, but it is slightly worse in generating unknown speakers' voices, 2) the multi-speaker WaveNet vocoder outperforms STRAIGHT in generating both known and unknown speakers' voices, and 3) the scores of objective evaluation metrics are improved proportionally to the amount of training data. |
| キーワード(和) | 音声合成 / ボコーダ / WaveNet |
| キーワード(英) | speech synthesis / vocoder / WaveNet |
| 資料番号 | SP2017-81 |
| 発行日 | 2018-01-13 (SP) |
| 研究会情報 | |
| 研究会 | SP / ASJ-H |
|---|---|
| 開催期間 | 2018/1/20(から2日開催) |
| 開催地（和） | 東京大学 |
| 開催地（英） | The University of Tokyo |
| テーマ（和） | 音声合成，音声コミュニケーション，聴覚，音声一般 |
| テーマ（英） | |
| 委員長氏名（和） | 山下 洋一(立命館大) / 平原 達也(富山県立大) |
| 委員長氏名（英） | Yoichi Yamashita(Ritsumeikan Univ.) / 平原 達也(富山県立大) |
| 副委員長氏名（和） | 森 大毅(宇都宮大) / 中川 誠司(千葉大) |
| 副委員長氏名（英） | Hiroki Mori(Utsunomiya Univ.) / 中川 誠司(千葉大) |
| 幹事氏名（和） | 西田 昌史(静岡大) / 坂野 秀樹(名城大) / 木谷 俊介(北陸大) / 山川 仁子(尚絅大) / 饗庭 絵里子(電通大) |
| 幹事氏名（英） | Masafumi Nishida(Shizuoka Univ.) / Hideki Banno(Meijo Univ.) / 木谷 俊介(北陸大) / 山川 仁子(尚絅大) / 饗庭 絵里子(電通大) |
| 幹事補佐氏名（和） | 橋本 佳(名工大) / 小橋川 哲(NTT) |
| 幹事補佐氏名（英） | Kei Hashimoto(Nagoya Inst. of Tech.) / Satoshi Kobashikawa(NTT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Speech / Auditory Research Meeting |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 複数話者WaveNetボコーダに関する調査 |
| サブタイトル（和） | |
| タイトル（英） | An investigation of multi-speaker WaveNet vocoder |
| 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） | ボコーダ / vocoder |
| キーワード(3)（和/英） | WaveNet / WaveNet |
| 第 1 著者 氏名（和/英） | 林 知樹 / Tomoki Hayashi |
| 第 1 著者 所属（和/英） | 名古屋大学(略称：名大) Nagoya University(略称：Nagoya Univ.) |
| 第 2 著者 氏名（和/英） | 小林 和弘 / Kazuhiro Kobayashi |
| 第 2 著者 所属（和/英） | 名古屋大学(略称：名大) Nagoya University(略称：Nagoya Univ.) |
| 第 3 著者 氏名（和/英） | 玉森 聡 / Akira Tamamori |
| 第 3 著者 所属（和/英） | 名古屋大学(略称：名大) Nagoya University(略称：Nagoya Univ.) |
| 第 4 著者 氏名（和/英） | 武田 一哉 / Kazuya Takeda |
| 第 4 著者 所属（和/英） | 名古屋大学(略称：名大) Nagoya University(略称：Nagoya 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(略称：名大) Nagoya University(略称：Nagoya Univ.) |
| 発表年月日 | 2018-01-21 |
| 資料番号 | SP2017-81 |
| 巻番号（vol） | vol.117 |
| 号番号（no） | SP-393 |
| ページ範囲 | pp.81-86(SP), |
| ページ数 | 6 |
| 発行日 | 2018-01-13 (SP) |