MS-FC-HiFiGAN : 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

• Item type: SIG Technical Reports(1)
• 公開日: 2023-02-21
• タイトル: MS-FC-HiFiGAN : 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
• タイトル / 言語: en
• タイトル: MS-FC-HiFiGAN : Fast Neural Waveform Generation Model With Learnable Lightweight Upsampling
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: SP1:音声合成
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 神戸大学／情報通信研究機構
• 著者所属: 情報通信研究機構
• 著者所属: 神戸大学
• 著者所属: 神戸大学
• 著者所属: 名古屋大学
• 著者所属: 情報通信研究機構
• 著者所属(英): en
• 著者所属(英): MS-FC-HiFiGAN : Fast Neural Waveform Generation Model With Learnable Lightweight Upsampling
• 著者名: 山下, 陽生; 岡本, 拓磨; 高島, 遼一; 滝口, 哲也; 戸田, 智基; 河井, 恒
• 著者名(英): Haruki, Yamashita; Takuma, Okamoto; Ryoichi, Takashima; Tetsuya, Takiguchi; Tomoki, Toda; Hisashi, Kawai
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 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．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: 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.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10442647
• 書誌情報: 研究報告音声言語情報処理（SLP）; 巻 2023-SLP-146, 号 2, p. 1-6, 発行日 2023-02-21
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8663
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会