| 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 | 2023-06-24 13:50 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 ○日田光紀（和歌山大/NICT）・岡本拓磨（NICT）・西村竜一（和歌山大）・大谷大和（NICT）・戸田智基（名大/NICT）・河井 恒（NICT）  SP2023-25 |
|
| 抄録 | （和） | 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． |
| （英） | 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. | |
| キーワード | （和） | JETS / 複数話者テキスト音声合成 / 話者適応 / 話者埋め込み / x-vector / / / |
| （英） | JETS / multi-speaker text-to-speech / speaker adaptation / speaker embedding / x-vector / / / | |
| 文献情報 | 信学技報, vol. 123, no. 88, SP2023-25, pp. 125-130, 2023年6月. | |
| 資料番号 | SP2023-25 | |
| 発行日 | 2023-06-16 (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 | SP2023-25 |
|
| 研究会情報 | |
| 研究会 | SP IPSJ-MUS IPSJ-SLP |
| 開催期間 | 2023-06-23 - 2023-06-24 |
| 開催地（和） | 電気通信大学 |
| 開催地（英） | |
| テーマ（和） | 音学シンポジウム2023 |
| 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 | 2023-06-SP-MUS-SLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 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 |
| サブタイトル（和） | |
| タイトル（英） | Evaluation of multi-speaker text-to-speech synthesis using a corpus for speech recognition with x-vectors for various speech styles |
| サブタイトル（英） | |
| キーワード(1)（和/英） | JETS / JETS |
| キーワード(2)（和/英） | 複数話者テキスト音声合成 / multi-speaker text-to-speech |
| キーワード(3)（和/英） | 話者適応 / speaker adaptation |
| キーワード(4)（和/英） | 話者埋め込み / speaker embedding |
| キーワード(5)（和/英） | x-vector / x-vector |
| 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） | 日田 光紀 / Koki Hida / ヒダ コウキ |
| 第1著者 所属（和/英） | 和歌山大学/情報通信研究機構 (略称： 和歌山大/NICT) Wakayama University/National Institute of Information and Communications Technology (略称： Wakayama Univ/NICT) |
| 第2著者 氏名（和/英/ヨミ） | 岡本 拓磨 / Takuma Okamoto / オカモト タクマ |
| 第2著者 所属（和/英） | 情報通信研究機構 (略称： NICT) National Institute of Information and Communications Technology (略称： NICT) |
| 第3著者 氏名（和/英/ヨミ） | 西村 竜一 / Ryuichi Nisimura / ニシムラ リュウイチ |
| 第3著者 所属（和/英） | 和歌山大学 (略称： 和歌山大) Wakayama University (略称： Wakayama Univ) |
| 第4著者 氏名（和/英/ヨミ） | 大谷 大和 / Yamato Ohtani / オオタニ ヤマト |
| 第4著者 所属（和/英） | 情報通信研究機構 (略称： NICT) National Institute of Information and Communications Technology (略称： NICT) |
| 第5著者 氏名（和/英/ヨミ） | 戸田 智基 / Tomoki Toda / トダ トモキ |
| 第5著者 所属（和/英） | 名古屋大学/情報通信研究機構 (略称： 名大/NICT) Nagoya University/National Institute of Information and Communications Technology (略称： Nagoya Univ/NICT) |
| 第6著者 氏名（和/英/ヨミ） | 河井 恒 / Hisashi Kawai / カワイ ヒサシ |
| 第6著者 所属（和/英） | 情報通信研究機構 (略称： NICT) National Institute of Information and Communications Technology (略称： NICT) |
| 講演者 | 第1著者 |
| 発表日時 | 2023-06-24 13:50:00 |
| 発表時間 | 140分 |
| 申込先研究会 | SP |
| 資料番号 | SP2023-25 |
| 巻番号（vol） | vol.123 |
| 号番号（no） | no.88 |
| ページ範囲 | pp.125-130 |
| ページ数 | 6 |
| 発行日 | 2023-06-16 (SP) |
[研究会発表申込システムのトップページに戻る]