| 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 | 2021-03-03 17:10 音素継続時間長のモデル化のための発話リズムに基づく話者埋め込みの検討 ○藤田健一・安藤厚志・井島勇祐（NTT）  EA2020-77 SIP2020-108 SP2020-42 |
|
| 抄録 | （和） | 本研究では，音声合成における個人ごとの音素継続時間長のモデル化に適した話者埋め込み手法について検討を行う．従来の話者埋め込みベクトルの生成手法であるx-vectorやi-vectorなどでは，メルスペクトログラムなどのスペクトル特徴量を用いているが，スペクトル特徴量は発話リズムなどの時間的特徴を明に含まないため，発話リズムの個人性が表現されていない可能性があった．そこで本論文では，音素とその継続時間長を用いた時間的特徴に基づく話者埋め込みベクトルの生成手法を提案する． そして，話者照合実験及び話者ベクトル分布から提案法は一定の話者照合精度を示し，かつ音素継続時間長が類似している話者では類似した話者埋め込みベクトルが生成されることを示す． |
| （英） | In this study, we propose a speaker embedding method suitable for modeling phoneme duration length for each individual in speech synthesis. Conventional methods for generating speaker embedding vectors, such as x-vector and i-vector, use spectral features such as mel spectrograms. However, spectral features do not clearly include temporal features such as speech rhythms. Therefore, those vectors can discard individual speech rhythms. In this paper, we propose a method for generating speaker embedding vectors based on temporal features using phonemes and their durations. From the results of speaker recognition experiments and speaker vector distributions, we show that the proposed method shows a certain degree of accuracy in speaker recognition and that similar speaker embedding vectors are generated from speakers with similar phoneme durations. |
|
| キーワード | （和） | 話者埋め込み / 音素継続時間長 / 音声合成 / 発話リズム / / / / |
| （英） | speaker embedding / phoneme duration / speech synthesis / speaking rhythm / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 399, SP2020-42, pp. 103-108, 2021年3月. | |
| 資料番号 | SP2020-42 | |
| 発行日 | 2021-02-24 (EA, SIP, SP) | |
| ISSN | 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 | EA2020-77 SIP2020-108 SP2020-42 |
|
| 研究会情報 | |
| 研究会 | EA US SP SIP IPSJ-SLP |
| 開催期間 | 2021-03-03 - 2021-03-04 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 音声,応用／電気音響,信号処理，超音波，一般 |
| テーマ（英） | Speech, Engineering/Electro Acoustics, Signal Processing, Ultrasonics, and Related Topics |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2021-03-EA-US-SP-SIP-SLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 音素継続時間長のモデル化のための発話リズムに基づく話者埋め込みの検討 |
| サブタイトル（和） | |
| タイトル（英） | An investigation of rhythm-based speaker embeddings for phoneme duration modeling |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 話者埋め込み / speaker embedding |
| キーワード(2)（和/英） | 音素継続時間長 / phoneme duration |
| キーワード(3)（和/英） | 音声合成 / speech synthesis |
| キーワード(4)（和/英） | 発話リズム / speaking rhythm |
| 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） | 藤田 健一 / Kenichi Fujita / フジタ ケンイチ |
| 第1著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone corporation (略称： NTT) |
| 第2著者 氏名（和/英/ヨミ） | 安藤 厚志 / Atsushi Ando / アンドウ アツシ |
| 第2著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone corporation (略称： NTT) |
| 第3著者 氏名（和/英/ヨミ） | 井島 勇祐 / Yusuke Ijima / イジマ ユウスケ |
| 第3著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone corporation (略称： NTT) |
| 講演者 | 第1著者 |
| 発表日時 | 2021-03-03 17:10:00 |
| 発表時間 | 25分 |
| 申込先研究会 | SP |
| 資料番号 | EA2020-77, SIP2020-108, SP2020-42 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.397(EA), no.398(SIP), no.399(SP) |
| ページ範囲 | pp.103-108 |
| ページ数 | 6 |
| 発行日 | 2021-02-24 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]