@techreport{oai:ipsj.ixsq.nii.ac.jp:00226368,
 author = {日田, 光紀 and 岡本, 拓磨 and 西村, 竜一 and 大谷, 大和 and 戸田, 智基 and 河井, 恒 and Koki, Hida and Takuma, Okamoto and Ryuichi, Nishimura and Yamato, Ohtani and Tomoki, Toda and Hisashi, Kawai},
 issue = {64},
 month = {Jun},
 note = {これまでに，合成時に対応できる話者数の増加を目的として，音声認識用コーパスである CSJ を用いて，また話者埋め込みとして x-vector を用いた複数話者テキスト音声合成を最新の End-to-End モデルである JETS を用いて実装した．本研究においては，未知話者として日本語話者 10 名 (CSJ とJVS)，英語話者 4 名 (CMU ARCTIC)，発話スタイルとして裏声およびささやき声 (JVS) を目的話者とすることにより，本モデルの実用性について検証する．また，感情音声 (JECS) とボーカロイド音声 (初音ミク) に関しても，目的話者として検証する．分析として，t-SNE を用いて次元削減した x-vector の比較を行った．これにより，本モデルによる合成音声が目的話者の話者性を再現可能であるかを検討した．, We have implemented multi-speaker end-to-end text-to-speech synthesis based on JETS using x-vectors as speaker embedding and CSJ for automatic speech recognition corpus for synthesizing various kinds of speakers. In this study, we investigate the capacity of the model by using 10 Japanese speakers (CSJ and JVS) and 4 English speakers (CMU ARCTIC) as unknown speakers, and speech styles such as backward speech and whispered speech as target speakers. In addition, emotional voice (JECS) and vocaloid voice (Hatsune Miku) are also tested as target speakers. We compared x-vectors with dimensionality reduction based on t-SNE. The results examine whether the model is able to reproduce the target speaker’s speech.},
 title = {x-vector と音声認識コーパスを用いた多様な発話スタイルに対応する複数話者テキスト音声合成の評価},
 year = {2023}
}