| 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 | 2023-02-28 09:50 real-time MRIで収録した調音運動に基づくend-to-end音声合成 ○大谷祐人・澤田 隼・大村英史・桂田浩一（東京理科大）  EA2022-77 SIP2022-121 SP2022-41 |
|
| 抄録 | （和） | real-time MRI (rtMRI)で収録した調音運動に基づいて音声を合成するend-to-end型の深層学習モデルを提案する．rtMRI動画像を入力とする音声合成の従来手法では声道形状パラメータのみを推定し，基本周波数などの情報は別途与えていた．本研究ではCNN-BiLSTMモデルでrtMRIからメルスペクトログラムを中間表現として推定し，HiFi-GANボコーダで音声を合成する手法を提案する．単一話者によるATR音素バランス503文の朗読をrtMRIで収録したデータセットを用いて合成音声の音質と基本周波数の推定精度を評価したところ，音質の評価指標であるPESQについては1.64のスコアを得ることができた．また，基本周波数F0のRMSEは26.7 Hzと良好であり，基本周波数を含む音響パラメータ全体をrtMRI動画像から推定できることを確認した．USC-TIMITデータベースを用いた実験ではPESQとF0 RMSEが良好であったが，発話内容が不明瞭であり，データセットの品質の重要性が示唆された． |
| （英） | We propose an end-to-end deep learning model for speech synthesis based on articulatory movements captured by real-time MRI (rtMRI). Previous methods for speech synthesis from rtMRI videos only predict parameters of vocal tract shape and require additional information about fundamental frequency. In this work, we propose a model using a CNN-BiLSTM to predict the mel-spectrogram as an intermediate representation, and a HiFi-GAN vocoder to synthesize speech. We evaluated speech quality and the fundamental frequency accuracy of the synthesized speech on the rtMRI dataset containing ATR 503 sentences read by a single speaker. The experimental results show that the PESQ score and the RMSE of F0 are 1.64 and 26.7 Hz, respectively, which demonstrates that the entire acoustic parameters including the fundamental frequency can be estimated from rtMRI videos. In the experiment on USC-TIMIT database, we could get good PESQ score and RMSE of F0. However, the synthesized speech is unclear, which indicates quality of the datasets significantly affects intelligibleness of the synthesized speech. | |
| キーワード | （和） | real-time MRI / 調音運動 / 音声合成 / end-to-end / / / / |
| （英） | real-time MRI / articulatory movement / speech synthesis / end-to-end / / / / | |
| 文献情報 | 信学技報, vol. 122, no. 389, SP2022-41, pp. 13-18, 2023年2月. | |
| 資料番号 | SP2022-41 | |
| 発行日 | 2023-02-21 (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 | EA2022-77 SIP2022-121 SP2022-41 |
|
| 研究会情報 | |
| 研究会 | SP IPSJ-SLP EA SIP |
| 開催期間 | 2023-02-28 - 2023-03-01 |
| 開催地（和） | 沖縄県立博物館・美術館 |
| 開催地（英） | |
| テーマ（和） | 音声，応用／電気音響, 信号処理，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 | 2023-02-SP-SLP-EA-SIP |
| 本文の言語 | 日本語 |
| タイトル（和） | real-time MRIで収録した調音運動に基づくend-to-end音声合成 |
| サブタイトル（和） | |
| タイトル（英） | End-to-End Speech Synthesis Based on Articulatory Movements Captured by Real-time MRI |
| サブタイトル（英） | |
| キーワード(1)（和/英） | real-time MRI / real-time MRI |
| キーワード(2)（和/英） | 調音運動 / articulatory movement |
| キーワード(3)（和/英） | 音声合成 / speech synthesis |
| キーワード(4)（和/英） | end-to-end / end-to-end |
| 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） | 大谷 祐人 / Yuto Otani / オオタニ ユウト |
| 第1著者 所属（和/英） | 東京理科大学 (略称： 東京理科大) Tokyo University of Science (略称： Tokyo Univ. Sci.) |
| 第2著者 氏名（和/英/ヨミ） | 澤田 隼 / Shun Sawada / サワダ シュン |
| 第2著者 所属（和/英） | 東京理科大学 (略称： 東京理科大) Tokyo University of Science (略称： Tokyo Univ. Sci.) |
| 第3著者 氏名（和/英/ヨミ） | 大村 英史 / Hidefumi Ohmura / オオムラ ヒデフミ |
| 第3著者 所属（和/英） | 東京理科大学 (略称： 東京理科大) Tokyo University of Science (略称： Tokyo Univ. Sci.) |
| 第4著者 氏名（和/英/ヨミ） | 桂田 浩一 / Kouichi Katsurada / カツラダ コウイチ |
| 第4著者 所属（和/英） | 東京理科大学 (略称： 東京理科大) Tokyo University of Science (略称： Tokyo Univ. Sci.) |
| 講演者 | 第1著者 |
| 発表日時 | 2023-02-28 09:50:00 |
| 発表時間 | 20分 |
| 申込先研究会 | SP |
| 資料番号 | EA2022-77, SIP2022-121, SP2022-41 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | no.387(EA), no.388(SIP), no.389(SP) |
| ページ範囲 | pp.13-18 |
| ページ数 | 6 |
| 発行日 | 2023-02-21 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]