[国内学会]CycleGANを用いた高品質なノンパラレル声質変換

情報処理学会 第119回音声言語情報処理研究発表会

近年，機械学習の進展により声質変換の性能が大幅に向上した．しかし，学習データが対とならないノンパラレルの場合，ソース話者とターゲット話者の特徴を精密にマッチすることが難しい．ノンパラレル声質変換モデルの学習はまだ困難であり，変換性能はまだ低い問題がある．一方，画像変換分野ではペアなしの画像データベースから変換モデルを学習する方法として CycleGAN が注目されている．CycleGAN は GAN の一種であり，複数個の generator と discriminator を持つ．また，generator は入力データの一部の情報を維持しながら，discriminator との競争学習によりターゲットドメインへの変換ができる特徴がある．そこで，本研究はこのアイディアに基づいて CycleGAN をノンパラレル声質変換に適用する方法を提案する．提案手法では，ソース話者とターゲット話者の類似特徴を直接マッチするのではなく，ソース話者の一部の言語情報を維持しながら話者特徴をターゲット話者にできるだけ近付けるように変換モデルを学習する．被験者評価実験より，提案手法は標準の GAN に基づいたパラレル声質変換を上回ったことを示す．