[国内学会] DNNに基づくテキスト音声合成における話者・ジェンダー・年齢コード利用の検討

電子情報通信学会 音声研究会

本論文ではDNNに基づくテキスト音声合成において，複数話者モデリング，話者適応，合成音声の音響特性操作を行う手法について検討する．ここでは，DNNに基づく音響モデルにおいて，言語特徴量に加えて話者・ジェンダー・年齢コード(入力コードと呼ぶ)を入力として利用する．10代後半から80代までの話者がバランス良く含まれた135名からなる高品質巨大コーパスを用い，以下の3つの実験を行った．1) 入力コードを用いた複数話者モデルの構築，2) 目標話者の少量の適応データを用いた，バックプロパゲーションによる話者コード推定に基づく話者適応，3) 入力コードを操作することによる合成音声の音響特性操作．これら実験を通して入力コードに基づく複数話者モデルの構築，話者適応，音響特性操作の評価を行った．