| 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 | 2025-03-02 13:00 注意機構により目標話者音声を直接的に参照するzero-shot音声合成 ○中塚恭平・橋本 佳・南角吉彦・徳田恵一（名工大）  EA2024-88 SIP2024-123 SP2024-29 |
|
| 抄録 | （和） | 音声合成において，任意の話者の声質を再現することが可能なzero-shot音声合成モデルの構築が課題となっている． 従来のzero-shot音声合成では参照音声をx-vectorなどの話者埋め込みベクトルとする手法が広く利用されてきたが，話者埋め込みベクトルへと圧縮することで参照音声の詳細な特徴が獲得できないという問題があった． そこで，本研究では目標話者の音声を話者埋め込みベクトルに圧縮せずに直接的に参照することが可能なzero-shot音声合成を提案する． 提案法では注意機構を用いることで参照音声から特徴を抽出し，合成音声へと反映させる．注意機構の利用法として結合法，マスク法，クロスアテンション法を提案し，参照音声をより効果的に活用する手法を検討する． |
| （英） | In speech synthesis, building a zero-shot speech synthesis model that can reproduce the voice quality of an arbitrary speaker has been a challenging task. In conventional zero-shot speech synthesis, speaker embedding vectors, such as x-vector, have been widely used to represent characteristics of reference speech. However, compressing into a speaker embedding vector prevents acquisition of detailed speaker characteristics of reference speech. In this study, we propose a zero-shot speech synthesis method that can directly reference the target speaker's speech without compressing it into a speaker embedding. The proposed method uses an attention mechanism to speaker characteristics features from the reference speech and reflect them in the synthesized speech. We compare three methods using the attention mechanism, i.e., the join method, the mask method, and the cross-attention method, to utilize the reference speech more effectively. |
|
| キーワード | （和） | 音声合成 / 話者適応 / zero-shot音声合成 / Transformer / FastSpeech2 / / / |
| （英） | Speech synthesis / speaker adaptation / zero-shot speech synthesis / Transformer / FastSpeech2 / / / | |
| 文献情報 | 信学技報, vol. 124, no. 391, SP2024-29, pp. 70-75, 2025年3月. | |
| 資料番号 | SP2024-29 | |
| 発行日 | 2025-02-23 (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 | EA2024-88 SIP2024-123 SP2024-29 |
|
| 研究会情報 | |
| 研究会 | EA SIP SP IPSJ-SLP |
| 開催期間 | 2025-03-02 - 2025-03-04 |
| 開催地（和） | 沖縄県青年会館 |
| 開催地（英） | |
| テーマ（和） | 応用／電気音響, 信号処理，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 | 2025-03-EA-SIP-SP-SLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 注意機構により目標話者音声を直接的に参照するzero-shot音声合成 |
| サブタイトル（和） | |
| タイトル（英） | Zero-Shot Speech Synthesis Directly Referring Target Speech Through Attention Mechanisms |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 音声合成 / Speech synthesis |
| キーワード(2)（和/英） | 話者適応 / speaker adaptation |
| キーワード(3)（和/英） | zero-shot音声合成 / zero-shot speech synthesis |
| キーワード(4)（和/英） | Transformer / Transformer |
| キーワード(5)（和/英） | FastSpeech2 / FastSpeech2 |
| 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） | 中塚 恭平 / Kyohei Nakatsuka / ナカツカ キョウヘイ |
| 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： Nagoya Inst. of Tech.) |
| 第2著者 氏名（和/英/ヨミ） | 橋本 佳 / Kei Hashimoto / ハシモト ケイ |
| 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： Nagoya Inst. of Tech.) |
| 第3著者 氏名（和/英/ヨミ） | 南角 吉彦 / Yoshihiko Nankaku / ナンカク ヨシヒコ |
| 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： Nagoya Inst. of Tech.) |
| 第4著者 氏名（和/英/ヨミ） | 徳田 恵一 / Keiichi Tokuda / トクダ ケイイチ |
| 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： Nagoya Inst. of Tech.) |
| 講演者 | 第1著者 |
| 発表日時 | 2025-03-02 13:00:00 |
| 発表時間 | 20分 |
| 申込先研究会 | SP |
| 資料番号 | EA2024-88, SIP2024-123, SP2024-29 |
| 巻番号（vol） | vol.124 |
| 号番号（no） | no.389(EA), no.390(SIP), no.391(SP) |
| ページ範囲 | pp.70-75 |
| ページ数 | 6 |
| 発行日 | 2025-02-23 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]