統計的パラメトリック音声合成のための敵対的学習に基づくポストフィルタリング

• Item type: SIG Technical Reports(1)
• 公開日: 2016-12-13
• タイトル: 統計的パラメトリック音声合成のための敵対的学習に基づくポストフィルタリング
• タイトル / 言語: en
• タイトル: Generative Adversarial Network-based Postfiltering for Statistical Parametric Speech Synthesis
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 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: NTTコミユニケーシヨン科学基礎研究所
• 著者所属: NTTコミユニケーシヨン科学基礎研究所
• 著者所属: NTTメディアインテリジェンス研究所
• 著者所属: NTTメディアインテリジェンス研究所
• 著者所属: NTTコミユニケーシヨン科学基礎研究所
• 著者所属: NTTコミユニケーシヨン科学基礎研究所
• 著者所属(英): en
• 著者所属(英): NTT Communication Science Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Communication Science Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Media Intelligence Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Media Intelligence Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Communication Science Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Communication Science Laboratories
• 著者名: 金子, 卓弘; 亀岡, 弘和; 北条, 伸克; 井島, 勇祐; 平松, 薫; 柏野, 邦夫
• 著者名(英): Takuhiro, Kaneko; Hirokazu, Kameoka; Nobukatsu, Hojo; Yusuke, Ijima; Kaoru, Hiramatsu; Kunio, Kashino
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 統計的パラメトリック音声合成は，その柔軟性と省メモリ性などの利点により広く使われている． しかし，この手法で生成した音声パラメータは，学習の際の統計的平均化によって過剰な平滑化が生じ，合成した音声は肉声感が失われる傾向がある． この問題に対し，本稿では，敵対的学習を用いて取得したポストフイルタを用いることにより，失われた肉声感を再構成する手法を提案する．従来研究でも，系列内変動や変調スペクトルに着目して肉声感を取り戻そうという試みはあるが，これらは経験的発見に基づくものであり，合成音声と自然音声の差異の一部に対処しているに過ぎない． これに対して，提案手法は敵対的学習を用いながら，合成音声と自然音声とのギャップを埋めるようなポストフイルタをデータから直接学習しようとするものである． これにより，合成音声の音声特徴量を真の音声の音声特徴量の分布に近づくように変換するポストフイルタを得ることができる．実験では，提案手法を用いることにより，合成音声から分析合成音声に匹敵する音声が得られることを示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In the field of speech synthesis, statistical parametric speech synthesis has been widely used due to the flexibility and compactness. However, the quality of its synthesized speech is degraded by over-smoothing and there is a large quality gap between natural and synthesized speech. To fill the gap, we propose a novel postfilter based on a generative adversarial network (GAN). There have been several attempts to alleviate over-smoothing like ours ; however, they are based on empirical findings about acoustic differences between natural and synthesized speech. Therefore, they cannot cover all the factors causing the differences. In contrast, we examine a learning-based postfilter and learn how to compensate for the differences directly from the data. In particular, we utilize a GAN and optimize a generator (i.e., postfilter) and a discriminator in an adversarial process. This enables us to obtain the postfilter to fit the true data distribution. Experimental results show that the speech generated by our proposed method is comparable to analyzed-and-synthesized speech.
• 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 2016-SLP-114, 号 20, p. 1-6, 発行日 2016-12-13
• 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