音声波形加工に基づく非母語音声の継続長補正法の評価と分析

• Item type: SIG Technical Reports(1)
• 公開日: 2015-11-25
• タイトル: 音声波形加工に基づく非母語音声の継続長補正法の評価と分析
• タイトル / 言語: en
• タイトル: Evaluation and Analysis of Duration Correction for Non-Native Speech Based on Waveform Modification
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 声質変換
• 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: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科／名古屋大学情報基盤センター教育情報メディア研究部門
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属(英): en
• 著者所属(英): Nara Institute of Science and Technology
• 著者所属(英): en
• 著者所属(英): Nara Institute of Science and Technology
• 著者所属(英): en
• 著者所属(英): Nara Institute of Science and Technology / Information Media Division, Information Technology Center, Nagoya University
• 著者所属(英): en
• 著者所属(英): Nara Institute of Science and Technology
• 著者所属(英): en
• 著者所属(英): Nara Institute of Science and Technology
• 著者所属(英): en
• 著者所属(英): Nara Institute of Science and Technology
• 著者名: 倶羅, 真也; 高道, 慎之介; 戸田, 智基; ニューピッグ, グラム; サクティ, サクリアニ; 中村, 哲
• 著者名(英): Shinya, Kura; Shinnosuke, Takamichi; Tomoki, Toda; Graham, Neubig; Sakriani, Sakti; Satoshi, Nakamura
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 言語学習等への応用を見据え，非母語話者により発話された音声に対して，発話リズムを補正する技術が研究されている．代表的な手法として，母語話者の音声を参照音声として，動的時間伸縮を用いて音声特徴量系列を変形することで，補正音声を合成する枠組みが提案されている．柔軟な発話リズム補正が可能となる一方で，音声分析合成処理による音質劣化は避けられない．本稿では，音声分析合成処理による音質劣化を回避する補正法として，動的時間伸縮と音声波形加工処理による発話リズム補正法を提案する．時間伸縮規則を獲得する際には，統計的声質変換を適用することで，話者性の差異が音声スペクトルパラメータに与える影響を緩和するとともに，非母語話者音声に見られる音素挿入誤りにも対処する．日本語母語話者による英語音声 （日本人英語） を用いた実験的評価から，提案法により，音質劣化を緩和しつつ，より自然な継続長を持つ英語音声を合成できることを示す．また，時間伸縮により生じる局所的な音質劣化の影響について，音声スペクトルパラメータの変調スペクトルを用いて分析する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: There are several attempts at correcting durational patterns of non-native speech towards language learning. One of the typical approaches modifies a speech parameter sequence with Dynamic Time Warping (DTW) using native speech as the reference, generating corrected speech from the modified speech parameter sequence. Although this approach makes it possible to flexibly modify durational patterns of non-native speech, quality of the corrected speech significantly degrades due to the use of analysis-synthesis process to generate the corrected speech. In this report, we propose a method for correcting durational patterns using direct waveform modification for per forming DTW. In calculating a temporal warping function, statistical voice conversion is effectively used to reduce an adverse effect caused by speaker differences. Moreover, phoneme insertion often observed in non-native speech is also handled. We conducted an experimental evaluation using English speech read by Japanese, demonstrating that the proposed method was capable of flexibly modifying durational patterns while avoiding quality degradation caused by the analysis-synthesis process. Furthermore, waveform segments suffering from quality degradation caused by temporal warping was analyzed using the modulation spectrum of spectral parameters.
• 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 2015-SLP-109, 号 4, p. 1-6, 発行日 2015-11-25
• 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