| 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 | 2026-03-02 09:30 日本語LLM型音声合成における日本語文字列の検討 ○栗原 清（東大）  EA2025-73 SIP2025-93 SP2025-26 |
|
| 抄録 | （和） | 大規模言語モデル（LLM）を用いた音声合成（TTS）は高い自然性を実現する一方で，音素レベルでの制御性を欠くことが多く，読み間違いや韻律特徴のユーザによる修正を困難にしている．本稿では，テキストを音素系列および韻律記号からなる人間が可読可能な中間表現「Phonetic and Prosodic Labels (PPL)」に変換し，制御性を向上させる提案を行う．ブラックボックス的なテキスト処理とは異なり，PPLを用いることでモデルは韻律構造を明示的に学習することが可能となる ．実験の結果，PPLを用いたLLM型音声合成はベースラインと比較して韻律生成精度を向上させると同時に，直感的な制御を実現することが示された．推論時にPPLを編集することで，ユーザは自然性を損なうことなく，同形異義語の読み分けや，方言・強調効果のための局所的な韻律調整を効果的に行うことができる． |
| （英） | Large language model (LLM)-based text-to-speech (TTS) achieves high naturalness, but it often lacks controllability at the phoneme level, making it difficult for users to correct misreadings and prosodic features. This paper proposes PPL-TTS, a framework that improves controllability by converting text into a human-readable intermediate representation called Phonetic and Prosodic Labels (PPL), consisting of a phoneme sequence and prosodic symbols. Unlike black-box text processing, using PPL enables the model to explicitly learn prosodic structure in parallel with semantic content. Experiments show that PPL-TTS improves prosody generation accuracy compared with a baseline while also enabling intuitive control. By editing PPL at inference time, users can effectively disambiguate homographs and make localized prosodic adjustments for dialectal or emphasis effects without sacrificing naturalness. | |
| キーワード | （和） | 音声合成 / TTS / LLM型音声合成 / 日本語音声合成 / / / / |
| （英） | Speech synthesis / Text-to-speech / LLM-based TTS / Japanese speech synthesis / / / / | |
| 文献情報 | 信学技報, vol. 125, no. 371, SP2025-26, pp. 1-6, 2026年3月. | |
| 資料番号 | SP2025-26 | |
| 発行日 | 2026-02-23 (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 | EA2025-73 SIP2025-93 SP2025-26 |
|
| 研究会情報 | |
| 研究会 | SP EA SIP IPSJ-SLP |
| 開催期間 | 2026-03-02 - 2026-03-04 |
| 開催地（和） | 沖縄県青年会館 |
| 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 | 2026-03-SP-EA-SIP-SLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 日本語LLM型音声合成における日本語文字列の検討 |
| サブタイトル（和） | |
| タイトル（英） | A Study on Japanese Text Strings for LLM-based Text-to-Speech |
| 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） | TTS / Text-to-speech |
| キーワード(3)（和/英） | LLM型音声合成 / LLM-based TTS |
| キーワード(4)（和/英） | 日本語音声合成 / Japanese speech synthesis |
| 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） | 栗原 清 / Kiyoshi Kurihara / クリハラ キヨシ |
| 第1著者 所属（和/英） | 東京大学大学院 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-03-02 09:30:00 |
| 発表時間 | 20分 |
| 申込先研究会 | SP |
| 資料番号 | EA2025-73, SIP2025-93, SP2025-26 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.369(EA), no.370(SIP), no.371(SP) |
| ページ範囲 | pp.1-6 |
| ページ数 | 6 |
| 発行日 | 2026-02-23 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]