WEKO3
アイテム
GMMNに基づく音声合成におけるグラム行列のスパース近似の検討
https://ipsj.ixsq.nii.ac.jp/records/194516
https://ipsj.ixsq.nii.ac.jp/records/1945168088e910-e5ad-4052-b205-18d606d8e310
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
IPSJ-SLP19126001.pdf (760.8 kB)
|
Copyright (c) 2019 by the Information Processing Society of Japan
|
|
| オープンアクセス | ||
| Item type | SIG Technical Reports(1) | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2019-02-20 | |||||||||||
| タイトル | ||||||||||||
| タイトル | GMMNに基づく音声合成におけるグラム行列のスパース近似の検討 | |||||||||||
| タイトル | ||||||||||||
| 言語 | en | |||||||||||
| タイトル | A Study of Sparse Approximation of Gram Matrices for GMMN-based Speech Synthesis | |||||||||||
| 言語 | ||||||||||||
| 言語 | jpn | |||||||||||
| 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 | ||||||||||||
| 東京工業大学工学院情報通信系 | ||||||||||||
| 著者所属 | ||||||||||||
| 東京大学大学院情報理工学研究科システム情報学専攻 | ||||||||||||
| 著者所属 | ||||||||||||
| 東京工業大学工学院情報通信系 | ||||||||||||
| 著者名 |
郡山, 知樹
× 郡山, 知樹
× 高道, 慎之介
× 小林, 隆夫
|
|||||||||||
| 論文抄録 | ||||||||||||
| 内容記述タイプ | Other | |||||||||||
| 内容記述 | 人間の音声生成のように発話間変動を持つ音声合成の実現を目標とし，我々はこれまでに，生成的モーメントマッチングネットワーク (GMNN) に基づく音声パラメータのランダム生成手法を提案している．GMMN では分布間の距離を表す条件付き maximum mean discrepancy (CMMD) を最小にするようにニューラルネットワークを学習する．音声合成のように学習データのサイズが大きい場合，CMMD を直接求めることは計算量の観点から非現実的であり何らかの近似を行う必要があったが，これまで近似手法について十分な検討が行われていなかった．本研究では CMMD の計算手法として，変数同士の類似度を表すグラム行列に random Fourier features (RFF) を用いる近似手法を提案し従来のブロック対角近似手法との比較を行う．またミニバッチの選択手法して，従来のランダム選択の代わりに K-means クラスタリングを用いて，類似した入力変数を同じミニバッチとする手法を検討する．主観評価実験では提案法が従来法に比べ，発話間変動が知覚されやすいという結果を得た． | |||||||||||
| 論文抄録(英) | ||||||||||||
| 内容記述タイプ | Other | |||||||||||
| 内容記述 | To realize human-like synthetic speech, synthetic speech samples should change every time even if the same sentences is spoken. In this context, we have proposed a technique of random sampling of synthetic speech parameters based on generative moment matching network (GMMN). GMMN is a neural network whose parameters are trained using conditional maximum mean discrepancy (CMMD) which represents the distance of two distributions. An issue of GMMN is that CMMD is computationally infeasible for a large amount of data, including speech synthesis database. In this report, we propose an approximation method based on random Fourier features and minibatch selection technique using K-means clustering. In the subjective evaluations, the proposed method outperformed the conventional one in the perception of inter-speech diversity. | |||||||||||
| 書誌レコードID | ||||||||||||
| 収録物識別子タイプ | NCID | |||||||||||
| 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 2019-SLP-126, 号 1, p. 1-6, 発行日 2019-02-20 |
|||||||||||
| ISSN | ||||||||||||
| 収録物識別子タイプ | 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 | |||||||||||
