| 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 | 2026-03-03 11:00 ［ポスター講演］対照事前学習に基づく音響エンコーダを用いた声質変換 ○佐藤暖隼・中鹿 亘（電通大）  EA2025-123 SIP2025-143 SP2025-76 |
|
| 抄録 | （和） | 本稿では，マルチモーダルな対照事前学習手法CLAP（Contrastive Language-Audio Pretraining）を用いたエンコーダの事前学習手法を提案する． 声質変換とは，発話に含まれる言語情報を保持しつつ話者情報のみを変えることで発話者が異なる音声を生成する技術である． VAEを応用した声質変換モデル（VAE-VC）をはじめとしたエンコーダ-デコーダ構造の声質変換モデルにおいて， エンコーダは入力音声から言語情報の抽出を，デコーダは言語情報と話者ラベルから音声の復元を行っている． しかし，このVAE-VCにおけるエンコーダとデコーダの役割は暗黙的に仮定されているに過ぎず，韻律情報による明示的な制約に基づくものではない． そこで，本研究では音声-テキストの対照学習モデルであるCLAPを用いてエンコーダの事前学習を行う声質変換手法を提案する．声質変換の評価実験の結果，CLAPによる事前学習の有効性が確認できた． |
| （英） | In this paper, we propose an encoder pre-training method using CLAP (Contrastive Language-Audio Pretraining), a multi-modal contrastive pre-training approach. Voice Conversion (VC) is a technique that converts the speaker identity of the speech by altering only the speaker information while preserving the linguistic information contained in the utterance. In VC models with an encoder-decoder structure, such as VAE-based Voice Conversion (VAE-VC), the encoder extracts linguistic information from the input speech, and the decoder reconstructs the speech using this linguistic information and speaker labels. However, the roles of the encoder and decoder in VAE-VC are merely implicitly assumed and are not based on explicit constraints derived from prosodic information. Therefore, this study proposes a voice conversion method that pre-trains the encoder using CLAP, an audio-text contrastive learning model. Experimental results on voice conversion demonstrate the effectiveness of pre-training with CLAP. |
|
| キーワード | （和） | 声質変換 / 対照学習 / 事前学習 / マルチモーダル / / / / |
| （英） | Voice Conversion / Contrastive Learning / Pre-training / Multi-Modal / / / / | |
| 文献情報 | 信学技報, vol. 125, no. 371, SP2025-76, pp. 301-305, 2026年3月. | |
| 資料番号 | SP2025-76 | |
| 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 | EA2025-123 SIP2025-143 SP2025-76 |
|
| 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） | 対照事前学習に基づく音響エンコーダを用いた声質変換 |
| サブタイトル（和） | |
| タイトル（英） | Voice Conversion with Contrastive Pretrained Audio Encoder |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 声質変換 / Voice Conversion |
| キーワード(2)（和/英） | 対照学習 / Contrastive Learning |
| キーワード(3)（和/英） | 事前学習 / Pre-training |
| キーワード(4)（和/英） | マルチモーダル / Multi-Modal |
| 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） | 佐藤 暖隼 / Haruto Sato / サトウ ハルト |
| 第1著者 所属（和/英） | 電気通信大学 (略称： 電通大) The University of Electro-Communications (略称： UEC) |
| 第2著者 氏名（和/英/ヨミ） | 中鹿 亘 / Toru Nakashika / ナカシカ トオル |
| 第2著者 所属（和/英） | 電気通信大学 (略称： 電通大) The University of Electro-Communications (略称： UEC) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-03-03 11:00:00 |
| 発表時間 | 80分 |
| 申込先研究会 | SP |
| 資料番号 | EA2025-123, SIP2025-143, SP2025-76 |
| 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.301-305 |
| ページ数 | 5 |
| 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]