| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2018-01-21 16:00 WaveNetに基づく声質変換の検討 ○丹羽純平・吉村建慶・橋本 佳・大浦圭一郎・南角吉彦・徳田恵一（名工大）  SP2017-84 |
|
| 抄録 | （和） | 本研究では，元話者の音響特徴量から目標話者の音声波形を直接生成する，WaveNet に基づく声質変換手法を提案する．統計モデルに基づく声質変換では，元話者と目標話者の音声から抽出されるスペクトルパラメータなどの音響特徴量間の関係をガウス混合モデルやニューラルネットワークのような統計モデルを用いてモデル化を行う．音響特徴量間の関係をモデル化することは効果的であるが，ボコーダのパラメータが中間表現として使用されるため，目標話者の音声波形を予測するのに最適ではないと考えられる．提案法では，この問題を解決するために，元話者の音声波形から抽出された音響特徴量と目標話者の音声波形の関係を WaveNet によりモデル化する．このため，提案法はボコーダを用いることなく，元話者の音響特徴量から変換後の音声波形を直接生成することが可能である．主観評価実験の結果，提案法は従来法から自然性，話者類似性を改善し，有効性を示した． |
| （英） | This paper proposes a voice conversion technique based on WaveNet to directly generate target audio waveforms from acoustic features of a source speaker. In voice conversion based on statistical models, the relation between acoustic features, e.g., spectral parameters, extracted from source and target audio waveforms is modeled by statistical models, such as Gaussian mixture models and neural networks. Although modeling the relation between acoustic features is reasonable and efficient, the model is not optimized for predicting target audio waveforms because the vocoder parameters are used as the intermediate representations of audio waveforms. To overcome this problem, the relation between target audio waveforms and acoustic features extracted from source audio waveforms is modeled by using WaveNet, which is a generative model for audio waveforms, in the proposed method. Therefore, the proposed model can directly generate converted audio waveforms without vocoders. Experimental results indicate that the proposed method improves the naturalness and the speaker similarity of the converted speech from a conventional DNN-based method, and these results clearly show the effectiveness of the proposed method. | |
| キーワード | （和） | 声質変換 / WaveNet / DNN / 統計モデル / / / / |
| （英） | voice conversion / WaveNet / DNN / statistical model / / / / | |
| 文献情報 | 信学技報, vol. 117, no. 393, SP2017-84, pp. 99-104, 2018年1月. | |
| 資料番号 | SP2017-84 | |
| 発行日 | 2018-01-13 (SP) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | SP2017-84 |
|
| 研究会情報 | |
| 研究会 | SP ASJ-H |
| 開催期間 | 2018-01-20 - 2018-01-21 |
| 開催地（和） | 東京大学 |
| 開催地（英） | The University of Tokyo |
| テーマ（和） | 音声合成，音声コミュニケーション，聴覚，音声一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2018-01-SP-H |
| 本文の言語 | 日本語 |
| タイトル（和） | WaveNetに基づく声質変換の検討 |
| サブタイトル（和） | |
| タイトル（英） | A study on voice conversion based on WaveNet |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 声質変換 / voice conversion |
| キーワード(2)（和/英） | WaveNet / WaveNet |
| キーワード(3)（和/英） | DNN / DNN |
| キーワード(4)（和/英） | 統計モデル / statistical model |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 丹羽 純平 / Jumpei Niwa / ニワ ジュンペイ |
| 第1著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 第2著者 氏名（和/英/ヨミ） | 吉村 建慶 / Takenori Yoshimura / ヨシムラ タケノリ |
| 第2著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 第3著者 氏名（和/英/ヨミ） | 橋本 佳 / Kei Hashimoto / ハシモト ケイ |
| 第3著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 第4著者 氏名（和/英/ヨミ） | 大浦 圭一郎 / Keiichiro Oura / オウラ ケイイチロウ |
| 第4著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 第5著者 氏名（和/英/ヨミ） | 南角 吉彦 / Yoshihiko Nankaku / ナンカク ヨシヒコ |
| 第5著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 第6著者 氏名（和/英/ヨミ） | 徳田 恵一 / Keiichi Tokuda / トクダ ケイイチ |
| 第6著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 講演者 | 第1著者 |
| 発表日時 | 2018-01-21 16:00:00 |
| 発表時間 | 25分 |
| 申込先研究会 | SP |
| 資料番号 | SP2017-84 |
| 巻番号（vol） | vol.117 |
| 号番号（no） | no.393 |
| ページ範囲 | pp.99-104 |
| ページ数 | 6 |
| 発行日 | 2018-01-13 (SP) |
[研究会発表申込システムのトップページに戻る]