WEKO3
アイテム
アイヌ語に対する音声合成モデルの学習と評価
https://ipsj.ixsq.nii.ac.jp/records/2011104
https://ipsj.ixsq.nii.ac.jp/records/20111049167c65b-3ec9-4b11-9c15-f13c5260d371
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
IPSJ-CH26142006.pdf (429.9 KB)
2028年8月15日からダウンロード可能です。
|
Copyright (c) 2026 by the Information Processing Society of Japan
|
|
| 非会員：¥660, IPSJ:学会員：¥330, CH:会員：¥0, DLIB:会員：¥0 | ||
| Item type | SIG Technical Reports(1) | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2026-08-15 | |||||||||||
| タイトル | ||||||||||||
| 言語 | ja | |||||||||||
| タイトル | アイヌ語に対する音声合成モデルの学習と評価 | |||||||||||
| タイトル | ||||||||||||
| 言語 | en | |||||||||||
| タイトル | Training and Evaluation of Speech Synthesis Models for the Ainu Language | |||||||||||
| 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 | ||||||||||||
| 東京大学大学院総合文化研究科言語情報科学専攻 | ||||||||||||
| 著者所属 | ||||||||||||
| 東京大学教養学部 | ||||||||||||
| 著者所属 | ||||||||||||
| 東京大学大学院総合文化研究科言語情報科学専攻 | ||||||||||||
| 著者所属(英) | ||||||||||||
| en | ||||||||||||
| Department of Language and Information Sciences, Graduate School of Arts and Sciences, The University of Tokyo | ||||||||||||
| 著者所属(英) | ||||||||||||
| en | ||||||||||||
| College of Arts and Sciences, The University of Tokyo | ||||||||||||
| 著者所属(英) | ||||||||||||
| en | ||||||||||||
| Department of Language and Information Sciences, Graduate School of Arts and Sciences, The University of Tokyo | ||||||||||||
| 著者名 |
花田,佳文
× 花田,佳文
× 中田,琉稀
× 林,克彦
|
|||||||||||
| 論文抄録 | ||||||||||||
| 内容記述タイプ | Other | |||||||||||
| 内容記述 | 日本の先住民族言語であるアイヌ語は消滅の危機にあり，その音声合成の研究はほとんど行われていない．本研究では，北海道アイヌ語の音声データ計約12.85時間を整備し，ラテン文字表記を文字単位で入力として複数の音声合成モデル(Matcha-TTS，VITS，F5-TTS)を学習した．Matcha-TTSとVITSについては学習済みモデルからのファインチューニングとスクラッチからの学習を5分割交差検証で比較し，自動評価と自然性の主観評価(MOS)を行った結果，ファインチューニングしたMatcha-TTSが最良であり，自然音声に最も近い品質が得られた．一方，ファインチューニングの効果はモデルにより異なり，自動評価と主観評価によるモデルの順位は概ね一致した．本研究は，管見の限りアイヌ語の音声合成に関する初めての系統的な報告である． | |||||||||||
| 論文抄録(英) | ||||||||||||
| 内容記述タイプ | Other | |||||||||||
| 内容記述 | The Ainu language, an indigenous language of Japan, is critically endangered, and its speech synthesis has rarely been studied. We constructed a corpus of approximately 12.85 hours of Hokkaido Ainu speech and trained three speech synthesis models (Matcha-TTS, VITS, and F5-TTS) with character-level Latin-script input. For Matcha-TTS and VITS, we compared fine-tuning from pretrained models with training from scratch using five-fold cross-validation, with objective metrics and a subjective naturalness evaluation (MOS). The fine-tuned Matcha-TTS performed best and came closest in quality to natural speech, while the effect of fine-tuning varied across models, and the model rankings from the two evaluations were broadly consistent. To our knowledge, this is the first systematic report on speech synthesis for the Ainu language. | |||||||||||
| 書誌レコードID | ||||||||||||
| 収録物識別子タイプ | NCID | |||||||||||
| 収録物識別子 | AN1010060X | |||||||||||
| 書誌情報 |
研究報告人文科学とコンピュータ（CH） 巻 2026-CH-142, 号 6, p. 1-8, 発行日 2026-08-15 |
|||||||||||
| ISSN | ||||||||||||
| 収録物識別子タイプ | ISSN | |||||||||||
| 収録物識別子 | 2188-8957 | |||||||||||
| 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 | |||||||||||
