JP2019211782A - 音声合成学習装置 - Google Patents
音声合成学習装置 Download PDFInfo
- Publication number
- JP2019211782A JP2019211782A JP2019149850A JP2019149850A JP2019211782A JP 2019211782 A JP2019211782 A JP 2019211782A JP 2019149850 A JP2019149850 A JP 2019149850A JP 2019149850 A JP2019149850 A JP 2019149850A JP 2019211782 A JP2019211782 A JP 2019211782A
- Authority
- JP
- Japan
- Prior art keywords
- speech
- neural network
- learning
- data
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Machine Translation (AREA)
Abstract
Description
を生成する生成器としてのニューラルネットワークを備え、生成器としてのニューラルネットワークが、合成音声データ
と、学習用の真の音声データxとの距離を表す目的関数を最適化するように学習を行う。
が出力されるが、真の音声データxと出力される合成音声データ
とを、ある距離指標に対して距離が最小化するように、ニューラルネットワークの重みを最適化すればよい。なお、ここで述べた距離指標とは、例えば最小二乗誤差などである。距離指標として最小二乗誤差の場合、目的関数L2は以下の(1)式で表される。
を、出力部90に出力する。
を生成する生成器としてのニューラルネットワークが、合成音声データ
と、音声データxとの距離を表す目的関数を最適化するように学習を行い、学習されたニューラルネットワークを、ニューラルネットワーク記憶部40に記憶して処理を終了する。
を、出力部90に出力して処理を終了する。
を生成する生成器としてのニューラルネットワークが、合成音声データ
と、学習用の真の音声データxとの距離を表す目的関数を最適化するように学習を行うことにより、より自然な音声を合成することができるニューラルネットワークを学習できる。
(合成音声信号又は合成音声スペクトル系列)を生成する生成器としてのニューラルネットワークと、合成音声データ
が、真の音声データと同一の分布に従うか否かを識別する識別器としてのニューラルネットワークとを備え、生成器としてのニューラルネットワークと、識別器としてのニューラルネットワークとが、互いに競合する最適化条件に従って学習を行う。
とに基づいて、合成音声データが真の音声データであるか否かを識別する識別器としてのニューラルネットワークを学習する。この識別器としてのニューラルネットワークは、入力された合成音声データが真のものであるか合成されたものであるかの識別を行い、その結果を出力するものである。
を、出力部90に出力する。
を、出力部90に出力して処理を終了する。
を生成する生成器としてのニューラルネットワークと、合成音声データ
が、真の音声データxと同一の分布に従うか否かを識別する識別器としてのニューラルネットワークとが、互いに競合する最適化条件に従って学習を行うことにより、より自然な音声を合成することができるニューラルネットワークを学習できる。
を生成する生成器としてのニューラルネットワークを備え、生成器としてのニューラルネットワークが、合成音声データ
と、学習用の真の音声データxとの距離を表す目的関数を最適化するように学習を行う。
が出力されるが、真の音声データxと出力される合成音声データ
とを、ある距離指標に対して距離が最小化するように、ニューラルネットワークの重みを最適化すればよい。なお、ここで述べた距離指標とは、例えば最小二乗誤差などである。距離指標として最小二乗誤差の場合、目的関数L2は以下の(1)式で表される。
を出力部90に出力する。
を生成する生成器としてのニューラルネットワークが、目的関数を最適化するように学習を行い、学習されたニューラルネットワークを、ニューラルネットワーク記憶部40に記憶して処理を終了する。
を出力部90に出力して処理を終了する。
を生成する生成器としてのニューラルネットワークが、目的関数を最適化するように学習を行うことにより、より自然な音声を合成することができるニューラルネットワークを学習できる。
が、真の音声データxと同一の分布に従うか否かを識別する識別器とを備え、生成器としてのニューラルネットワークと、識別器としてのニューラルネットワークとが、互いに競合する最適化条件に従って学習を行う。
とに基づいて、真の音声データxと同一の分布に従うか否かを識別する識別器としてのニューラルネットワークを学習する。この識別器としてのニューラルネットワークは、入力された音声データが真のものであるか合成されたものであるかの識別を行い、その結果を出力するものである。
を出力部90に出力する。
を出力部90に出力して処理を終了する。
を生成する生成器としてのニューラルネットワークと、合成音声データ
が、真の音声データxと同一の分布に従うか否かを識別する識別器としてのニューラルネットワークとが、互いに競合する最適化条件に従って学習を行うことにより、より自然な音声を合成することができるニューラルネットワークを学習できる。
が、真の音声データxと同一の分布に従うか否かを識別する識別器としてのニューラルネットワークとを備え、第2の実施の形態と同様の処理によって生成器としてのニューラルネットワークと、識別器としてのニューラルネットワークとが、互いに競合する最適化条件に従って学習を行うようにすればよい。
を生成する生成器としてのニューラルネットワークと、合成音声データ
が、真の音声データxと同一の分布に従うか否かを識別する識別器とが、互いに競合する最適化条件に従って学習を行うことにより、より自然な音声を合成することができるニューラルネットワークを学習できる。
2.Pre-emphasis:元の音の高音強調を行った音
3.LPC:LPC分析合成音
4.LPC+pulse:LPC分析で得たLPCと一定間隔をおいて(128サンプルごと)発生したpulse信号を合成して生成した音
次に第1及び第2の実施の形態の実験結果を示す。
20、220、320、420、520 演算部
30、230、330、430、530 学習部
40 ニューラルネットワーク記憶部
50、250、350、450 生成部
90 出力部
100、200、300、400、500 音声合成装置
332 中間音声変換部
528、532 音声特徴量生成部
Claims (7)
- 任意の音声データ又は音声特徴量系列から音声を合成するニューラルネットワークを学習する音声合成学習装置であって、
入力された音声データ又は音声特徴量系列と、学習用の真の音声データとを受け付け、
前記音声データ又は音声特徴量系列と前記学習用の真の音声データから中間音声データを生成するように予め学習された第1の生成器としてのニューラルネットワークと、
前記中間音声データと前記学習用の真の音声データから合成音声データを生成するように学習される第2の生成器としてのニューラルネットワークとを備え、
前記音声データ又は音声特徴量系列を、前記第1の生成器としてのニューラルネットワークへの入力として前記中間音声データを得て、
得られた前記中間音声データを、前記第2の生成器としてのニューラルネットワークへの入力として前記合成音声データを生成し、
生成した前記合成音声データと、前記学習用の真の音声データとの距離を表す目的関数を最適化するように、又は、前記第2の生成器としてのニューラルネットワークと、生成した前記合成音声データが前記学習用の真の音声データと同一の分布に従うか否かを判別する識別器としてのニューラルネットワークとが互いに競合する最適化条件に従うように、前記第2の生成器としてのニューラルネットワークを学習する学習部、を含み、
前記第1の生成器としてのニューラルネットワークは、
前記中間音声データと、前記学習用の真の音声データとの距離を表す目的関数の最適化に従って、又は、前記第1の生成器としてのニューラルネットワークと、前記中間音声データが前記学習用の真の音声データと同一の分布に従うか否かを判別する識別器としてのニューラルネットワークとが互いに競合する最適化条件に従って予め学習されている、
音声合成学習装置。 - 前記第1の生成器としてのニューラルネットワークは、前記音声データ又は音声特徴量系列と、それとは独立に与える自然性成分と、前記学習用の真の音声データとから、前記中間音声データを得るように予め学習されている、請求項1に記載の音声合成学習装置。
- 前記中間音声データと、それとは独立に与える自然性成分とを、前記第2の生成器としてのニューラルネットワークへの入力として前記合成音声データを生成し、
前記学習部は、生成した前記合成音声データと、前記学習用の真の音声データとの距離を表す目的関数を最適化するように、又は、前記第2の生成器としてのニューラルネットワークと、前記合成音声データと前記学習用の真の音声データが同一の分布に従うか否かを識別する識別器としてのニューラルネットワークとが互いに競合する最適化条件に従うように、前記第2の生成器としてのニューラルネットワークを学習する、請求項1に記載の音声合成学習装置。 - 前記第1の生成器としてのニューラルネットワークは、前記第1の生成器としてのニューラルネットワークと、前記中間音声データと前記学習用の真の音声データとが同一の分布に従うか否かを識別する識別器としてのニューラルネットワークとが、互いに競合する最適化条件に従って予め学習されている、請求項1〜請求項3の何れか1項に記載の音声合成学習装置。
- 前記第2の生成器としてのニューラルネットワークは、前記第2の生成器としてのニューラルネットワークと、前記中間音声データと前記学習用の真の音声データとが同一の分布に従うか否かを識別する識別器としてのニューラルネットワークとが、互いに競合する最適化条件に従って学習する、請求項1〜請求項3の何れか1項に記載の音声合成学習装置。
- 前記第1の生成器としてのニューラルネットワークについての学習及び前記学習部における前記第2の生成器としてのニューラルネットワークの学習を事前学習として、前記第1の生成器としてのニューラルネットワークと前記第2の生成器としてのニューラルネットワークとを含む全体のニューラルネットワークを最適化する、請求項1〜請求項5の何れか1項に記載の音声合成学習装置。
- 前記第1の生成器としてのニューラルネットワークを事前学習として、前記第1の生成器としてのニューラルネットワークと前記第2の生成器としてのニューラルネットワークとを含む全体のニューラルネットワークを最適化する、請求項1〜請求項5の何れか1項に記載の音声合成学習装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019149850A JP6722810B2 (ja) | 2019-08-19 | 2019-08-19 | 音声合成学習装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019149850A JP6722810B2 (ja) | 2019-08-19 | 2019-08-19 | 音声合成学習装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016168356A Division JP6649210B2 (ja) | 2016-08-30 | 2016-08-30 | 音声合成学習装置、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019211782A true JP2019211782A (ja) | 2019-12-12 |
JP6722810B2 JP6722810B2 (ja) | 2020-07-15 |
Family
ID=68845176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019149850A Active JP6722810B2 (ja) | 2019-08-19 | 2019-08-19 | 音声合成学習装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6722810B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01276200A (ja) * | 1988-04-28 | 1989-11-06 | Hitachi Ltd | 音声合成装置 |
JPH03125200A (ja) * | 1989-10-09 | 1991-05-28 | Nippon Telegr & Teleph Corp <Ntt> | 音声合成法 |
US20150364127A1 (en) * | 2014-06-13 | 2015-12-17 | Microsoft Corporation | Advanced recurrent neural network based letter-to-sound |
-
2019
- 2019-08-19 JP JP2019149850A patent/JP6722810B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01276200A (ja) * | 1988-04-28 | 1989-11-06 | Hitachi Ltd | 音声合成装置 |
JPH03125200A (ja) * | 1989-10-09 | 1991-05-28 | Nippon Telegr & Teleph Corp <Ntt> | 音声合成法 |
US20150364127A1 (en) * | 2014-06-13 | 2015-12-17 | Microsoft Corporation | Advanced recurrent neural network based letter-to-sound |
Non-Patent Citations (1)
Title |
---|
高木 信二: "Deep Neural Networkに基づく音響特徴抽出・音響モデルを用いた統計的音声合成システム", 情報処理学会 研究報告 音声言語情報処理(SLP) 2015−SLP−105 [ONLINE], JPN6019022401, 20 February 2015 (2015-02-20), JP, pages 1 - 6, ISSN: 0004278674 * |
Also Published As
Publication number | Publication date |
---|---|
JP6722810B2 (ja) | 2020-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6649210B2 (ja) | 音声合成学習装置、方法、及びプログラム | |
Mehrish et al. | A review of deep learning techniques for speech processing | |
JP5631915B2 (ja) | 音声合成装置、音声合成方法、音声合成プログラムならびに学習装置 | |
CN111201565A (zh) | 用于声对声转换的系统和方法 | |
JP6876642B2 (ja) | 音声変換学習装置、音声変換装置、方法、及びプログラム | |
EP4078571A1 (en) | A text-to-speech synthesis method and system, a method of training a text-to-speech synthesis system, and a method of calculating an expressivity score | |
Wu et al. | Quasi-periodic parallel WaveGAN: A non-autoregressive raw waveform generative model with pitch-dependent dilated convolution neural network | |
KR20230109630A (ko) | 오디오 신호 생성 및 오디오 생성기 훈련을 위한 방법 및 오디오 생성기 | |
JP7124373B2 (ja) | 学習装置、音響生成装置、方法及びプログラム | |
GB2603776A (en) | Methods and systems for modifying speech generated by a text-to-speech synthesiser | |
JP5807921B2 (ja) | 定量的f0パターン生成装置及び方法、f0パターン生成のためのモデル学習装置、並びにコンピュータプログラム | |
Pamisetty et al. | Prosody-tts: An end-to-end speech synthesis system with prosody control | |
JP6271748B2 (ja) | 音声処理装置、音声処理方法及びプログラム | |
JP6722810B2 (ja) | 音声合成学習装置 | |
Tits et al. | The theory behind controllable expressive speech synthesis: A cross-disciplinary approach | |
CN116168678A (zh) | 语音合成方法、装置、计算机设备和存储介质 | |
JP2020013008A (ja) | 音声処理装置、音声処理プログラムおよび音声処理方法 | |
JP6578544B1 (ja) | 音声処理装置、および音声処理方法 | |
CN111862931A (zh) | 一种语音生成方法及装置 | |
JP2020134920A (ja) | 音声処理装置、および音声処理方法 | |
JP2020204755A (ja) | 音声処理装置、および音声処理方法 | |
Pan et al. | PVGAN: A Pathological Voice Generation Model Incorporating a Progressive Nesting Strategy | |
JP6587308B1 (ja) | 音声処理装置、および音声処理方法 | |
JP7079455B1 (ja) | 音響モデル学習装置、方法およびプログラム、並びに、音声合成装置、方法およびプログラム | |
CN113066472B (zh) | 合成语音处理方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190819 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200528 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200609 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200622 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6722810 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |