| 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 | 2026-06-05 14:00 ［ポスター講演］ドメイン特化型の知覚的報酬を用いた強化学習によるアニメスタイル音声合成の最適化 ○朴 浚鎔・Li Jerry（Spellbrush）  SP2026-5 |
|
| 抄録 | （和） | 音声言語モデルによる音声合成は近年急速に進展しているが，アニメ声等の特定ドメインに特化されたスタイル制御は依然として課題である．既存の強化学習に基づく手法では，書き起こし誤り（CER）等の検証可能な報酬のみに依存することでプロソディが平板化したり，言語ドリフトが生じるといった問題が報告されている．また，UTMOSのような汎用的な平均オピニオンスコア（MOS）予測器は知覚的自然さを捕捉できる一方で，アニメ声らしさといったスタイル次元を直接的には捉えない．本稿では，アニメ声らしさを学習した知覚的分類器を強化学習における報酬として導入し，CERを硬い制約として併用する報酬設計を提案する．日本語ベースモデルでの学習に加え，同一手法を異なる規模および言語のモデルに転用した場合の挙動を観察し，得られた音声出力に対する自動スコアおよび人手聴取試験の双方を用いて分布シフトを検証する． |
| （英） | Speech synthesis with spoken language models has advanced rapidly, yet style control specialized for particular domains, such as anime voices, remains challenging. Existing reinforcement learning approaches that rely solely on verifiable rewards such as character error rate (CER) have been reported to suffer from prosodic flattening and linguistic drift. Meanwhile, general-purpose Mean Opinion Score (MOS) predictors such as UTMOS capture perceptual naturalness but do not directly model style dimensions like anime-likeness. In this paper, we introduce a perceptual classifier trained on anime-likeness as a reinforcement learning reward, combined with CER as a hard constraint. In addition to training on a Japanese base model, we observe the behavior of the same method when transferred to models of different scales and languages, and verify the distribution shift in the resulting speech outputs through both automatic scoring and human listening tests. | |
| キーワード | （和） | 音声合成 / 強化学習 / MOS予測モデル / スタイル音声制御 / / / / |
| （英） | Speech synthesis / Reinforcement learning / MOS prediction model / Styled speech control / / / / | |
| 文献情報 | 信学技報, vol. 126, no. 58, SP2026-5, pp. 25-30, 2026年6月. | |
| 資料番号 | SP2026-5 | |
| 発行日 | 2026-05-29 (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 | SP2026-5 |
|
| 研究会情報 | |
| 研究会 | SP IPSJ-SLP IPSJ-MUS |
| 開催期間 | 2026-06-05 - 2026-06-06 |
| 開催地（和） | 電気通信大学 |
| 開催地（英） | The University of Electro-Communications |
| テーマ（和） | 音学シンポジウム2026 |
| 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 | 2026-06-SP-SLP-MUS |
| 本文の言語 | 日本語 |
| タイトル（和） | ドメイン特化型の知覚的報酬を用いた強化学習によるアニメスタイル音声合成の最適化 |
| サブタイトル（和） | |
| タイトル（英） | Reinforcement Learning with Domain-Specific Perceptual Reward for Anime Style-Targeted Text-to-Speech Optimization |
| 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） | 強化学習 / Reinforcement learning |
| キーワード(3)（和/英） | MOS予測モデル / MOS prediction model |
| キーワード(4)（和/英） | スタイル音声制御 / Styled speech control |
| 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） | 朴 浚鎔 / Joonyong Park / パク ジュンヨン |
| 第1著者 所属（和/英） | Spellbrush (略称： Spellbrush) Spellbrush (略称： Spellbrush) |
| 第2著者 氏名（和/英/ヨミ） | Li Jerry / Jerry Li / リ ジェリー |
| 第2著者 所属（和/英） | Spellbrush (略称： Spellbrush) Spellbrush (略称： Spellbrush) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-06-05 14:00:00 |
| 発表時間 | 180分 |
| 申込先研究会 | SP |
| 資料番号 | SP2026-5 |
| 巻番号（vol） | vol.126 |
| 号番号（no） | no.58 |
| ページ範囲 | pp.25-30 |
| ページ数 | 6 |
| 発行日 | 2026-05-29 (SP) |
[研究会発表申込システムのトップページに戻る]