| 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 | 2024-03-01 09:30 話者性を制御可能な音声合成のための話者埋め込み空間に関する実験的検討 ○森田湧大・齋藤大輔・峯松信明（東大）  EA2023-93 SIP2023-140 SP2023-75 |
|
| 抄録 | （和） | 本論文では，弁別能力の異なる話者埋め込み抽出モデルを用いた，話者性の制御が可能な音声合成モデルの比較実験について報告する． 実験では，複数の話者埋め込み空間に基づく複数話者音声合成モデルを学習し，二人の異なる話者対にて内挿に相当する合成音声を生成することで，話者性を制御する音声合成アプリケーションのユーザを想定した評価実験を行った． 話者性の主観評価実験の結果より，低次元の話者埋め込み空間に基づく音声合成モデルの中に，被験者の主観に近い話者性の変化を見せたモデルが確認された． また，合成音声の品質についても評価実験を行い，特異的な話者が学習データに含まれた場合において，低次元の埋め込み空間を用いることにより，音声合成モデル全体の品質劣化が抑えられることが示された． 最後に，これらの話者を学習データから取り除く手法についても検討を行い，品質劣化を招きうる話者を音声合成モデル学習の前処理時に検出できることが示唆された． |
| （英） | This study investigated the influence of the discriminability of speaker encoders on speech synthesis models that can control speaker individuality with speaker embeddings. In this experiment, we trained multi-speaker speech synthesis models based on multiple speaker embedding spaces, and evaluated synthesized speech from intermediate speaker embeddings between two different speakers to simulate a use case to control the speaker individuality. The results of ``individuality'' subjective evaluation show that there is a speech synthesis model based on a low-dimensional speaker embedding space which is close to the way of changes in human perception. In addition, the results of ``naturalness'' confirm that high-dimensional embedding spaces tend to degrade the overall quality of synthesized speech when there are unique speakers in the training data. Finally, we conducted an additional experiment to exclude such speakers that may cause quality degradation before training synthesis models, which suggests that it is possible to detect them only from ground-truth wav files. |
|
| キーワード | （和） | 話者埋め込み / 音声合成 / Triplet Loss / FastSpeech 2 / / / / |
| （英） | Speaker Embeddings / Speech Synthesis / Triplet Loss / FastSpeech 2 / / / / | |
| 文献情報 | 信学技報, vol. 123, no. 403, SP2023-75, pp. 190-195, 2024年2月. | |
| 資料番号 | SP2023-75 | |
| 発行日 | 2024-02-22 (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 | EA2023-93 SIP2023-140 SP2023-75 |
|
| 研究会情報 | |
| 研究会 | SIP SP EA IPSJ-SLP |
| 開催期間 | 2024-02-29 - 2024-03-01 |
| 開催地（和） | 沖縄産業支援センター |
| 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 | 2024-02-SIP-SP-EA-SLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 話者性を制御可能な音声合成のための話者埋め込み空間に関する実験的検討 |
| サブタイトル（和） | |
| タイトル（英） | An experimental survey on speaker embedding spaces for controlling speaker identity in speech synthesis system |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 話者埋め込み / Speaker Embeddings |
| キーワード(2)（和/英） | 音声合成 / Speech Synthesis |
| キーワード(3)（和/英） | Triplet Loss / Triplet Loss |
| キーワード(4)（和/英） | FastSpeech 2 / FastSpeech 2 |
| 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） | 森田 湧大 / Wakuto Morita / モリタ ワクト |
| 第1著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： Univ. of Tokyo) |
| 第2著者 氏名（和/英/ヨミ） | 齋藤 大輔 / Daisuke Saito / サイトウ ダイスケ |
| 第2著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： Univ. of Tokyo) |
| 第3著者 氏名（和/英/ヨミ） | 峯松 信明 / Nobuaki Minematsu / ミネマツ ノブアキ |
| 第3著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： Univ. of Tokyo) |
| 講演者 | 第1著者 |
| 発表日時 | 2024-03-01 09:30:00 |
| 発表時間 | 60分 |
| 申込先研究会 | SP |
| 資料番号 | EA2023-93, SIP2023-140, SP2023-75 |
| 巻番号（vol） | vol.123 |
| 号番号（no） | no.401(EA), no.402(SIP), no.403(SP) |
| ページ範囲 | pp.190-195 |
| ページ数 | 6 |
| 発行日 | 2024-02-22 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]