JP2022127898A - 声質変換装置、声質変換方法及びプログラム - Google Patents
声質変換装置、声質変換方法及びプログラム Download PDFInfo
- Publication number
- JP2022127898A JP2022127898A JP2021026128A JP2021026128A JP2022127898A JP 2022127898 A JP2022127898 A JP 2022127898A JP 2021026128 A JP2021026128 A JP 2021026128A JP 2021026128 A JP2021026128 A JP 2021026128A JP 2022127898 A JP2022127898 A JP 2022127898A
- Authority
- JP
- Japan
- Prior art keywords
- speaker
- voice
- speech
- decoder
- conversion
- 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.)
- Pending
Links
Images
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
【課題】ノンパラレルで高品質な声質変換がリアルタイムで行えるようにする。【解決手段】学習用変換工程として、エンコーダでの量子化とデコーダでの変換を、入力話者の話者ラベルを使って行うと共に、エンコーダでの量子化とデコーダでの変換を、不特定の変換先話者の話者ラベルを使って行う。学習用変換工程で入力話者の話者ラベルを使って変換された音声データが自然音声に近いか否かの判定結果と、学習用変換工程で不特定の変換先話者の話者ラベルを使って変換された音声データが自然音声に近いか否かの判定結果とに基づいて損失関数を算出し、パラメータを更新する。この更新されたパラメータがセットされたエンコーダとデコーダとを使って、入力話者の音声を、特定の変換先話者の音声に変換する。【選択図】図１
Description
本発明は、任意話者の声質を別の話者の声質に変換する声質変換装置及び声質変換方法、並びにその声質変換方法を実行するプログラムに関する。
従来、入力話者音声の音韻情報を保存したまま、話者性に関する情報のみを出力話者のものへ変換させる技術である声質変換の分野では、モデルの学習時において、入力話者と出力話者の同一発話内容による音声対であるパラレルデータを使用するパラレル声質変換が主流であった。
パラレル声質変換としては、ＧＭＭ（Gaussian Mixture Model）に基づく手法、ＮＭＦ（Non-negative Matrix Factrization）に基づく手法、ＤＮＮ（Deep Neural Network）に基づく手法など、様々な統計的アプローチが提案されている（特許文献１参照）。
パラレル声質変換としては、ＧＭＭ（Gaussian Mixture Model）に基づく手法、ＮＭＦ（Non-negative Matrix Factrization）に基づく手法、ＤＮＮ（Deep Neural Network）に基づく手法など、様々な統計的アプローチが提案されている（特許文献１参照）。
パラレル声質変換では、パラレルデータを使用するというパラレル制約のおかげで比較的高い精度が得られる反面、学習データとしては入力話者と出力話者の発話内容を一致させる必要があるため、利便性が損なわれてしまうという問題があった。
これに対して、モデルの学習時に上述のパラレルデータを使用しない非パラレル声質変換が注目を浴びている。非パラレル声質変換は、パラレル声質変換に比べて精度面で劣るものの自由発話を用いて学習を行うことができるため利便性や実用性は高い。非特許文献１には、入力話者の音声と出力話者の音声を用いて事前に個々のパラメータを学習しておくことで、学習データに含まれる話者を入力話者又は目標話者とする声質変換を可能とする技術が記載されている。
T. Nakashika, T. Takiguchi, and Y. Ariki: "Parallel-Data-Free, Many-To-Many Voice Conversion Using an Adaptive Restricted Boltzmann Machine," Proceedings of Machine Learning in Spoken Language Processing (MLSLP) 2015, 6 pages, 2015.
声質変換を行うために高品質な音声波形を生成する手法の一つとして、ＶＡＥ(Variational AutoEncoder)を拡張したＶＱＶＡＥ(Vector Quantised VAE)が提案されている。
図１２は、ＶＱＶＡＥを適用して非パラレル声質変換を行う構成の概要を示す図である。
話者音声Ｖ１は、エンコーダ１に入力され、量子化データＱ１が得られる。このときの符号化では、話者音声Ｖ１に適したコードブックＣ１が用意される。
図１２は、ＶＱＶＡＥを適用して非パラレル声質変換を行う構成の概要を示す図である。
話者音声Ｖ１は、エンコーダ１に入力され、量子化データＱ１が得られる。このときの符号化では、話者音声Ｖ１に適したコードブックＣ１が用意される。
そして、声質変換を行うために、量子化データＱ１がデコーダ２でＶＱＶＡＥの手法により変換される。デコーダ２での変換時には、変換先話者の音声の特徴を示す話者ラベルＳＬ１がデコーダ２に入力され、変換された音声が変換先話者音声Ｖ２になる。
このような図１２の構成によるＶＱＶＡＥを使った声質変換は、ノンパラレルで高品質であるものの、非常に変換が遅いという問題があった。
このような図１２の構成によるＶＱＶＡＥを使った声質変換は、ノンパラレルで高品質であるものの、非常に変換が遅いという問題があった。
本発明の目的は、ノンパラレルで高品質な声質変換をリアルタイムで行うことができる声質変換装置、声質変換方法及びプログラムを提供することにある。
本発明の声質変換装置は、入力話者の音声データをエンコーダで量子化データに変換し、変換された量子化データをデコーダで音声データに変換する際の話者ラベルを、変換先話者の話者ラベルに差し替えることで、入力話者の音声を変換先話者の音声に声質変換する声質変換装置であって、
エンコーダにセットされるパラメータ及びデコーダにセットされるパラメータは、事前の学習によって、入力話者の音声データをエンコーダで変換した後、入力話者の話者ラベルで再構成したデータと、入力話者の音声データをエンコーダで変換した後、入力話者との音声データの話者ラベルとは異なる別の話者ラベルで変換したデータとのそれぞれが、自然音声に近いか否かの識別結果から算出した損失関数に基づいてセットされたものである。
エンコーダにセットされるパラメータ及びデコーダにセットされるパラメータは、事前の学習によって、入力話者の音声データをエンコーダで変換した後、入力話者の話者ラベルで再構成したデータと、入力話者の音声データをエンコーダで変換した後、入力話者との音声データの話者ラベルとは異なる別の話者ラベルで変換したデータとのそれぞれが、自然音声に近いか否かの識別結果から算出した損失関数に基づいてセットされたものである。
本発明の声質変換方法は、入力話者の音声データをエンコーダで量子化データに変換し、変換された量子化データをデコーダで音声データに変換する際の話者ラベルを、変換先話者の話者ラベルに差し替えることで、入力話者の音声を変換先話者の音声に声質変換する声質変換方法であって、
エンコーダでの量子化とデコーダでの変換を、入力話者の話者ラベルを使って行うと共に、エンコーダでの量子化とデコーダでの変換を、不特定の変換先話者の話者ラベルを使って行う学習用変換工程と、
学習用変換工程で入力話者の話者ラベルを使って再構成された音声データが自然音声に近いか否かの判定結果と、学習用変換工程で不特定の変換先話者の話者ラベルを使って変換された音声データが自然音声に近いか否かの判定結果とに基づいて損失関数を算出し、算出した損失関数に基づいてエンコーダとデコーダのパラメータを更新するパラメータ学習工程と、
パラメータ学習工程で更新されたパラメータがセットされたエンコーダとデコーダとを使って、入力話者の音声を、特定の変換先話者の音声に変換する声質変換工程と、を含むものである。
エンコーダでの量子化とデコーダでの変換を、入力話者の話者ラベルを使って行うと共に、エンコーダでの量子化とデコーダでの変換を、不特定の変換先話者の話者ラベルを使って行う学習用変換工程と、
学習用変換工程で入力話者の話者ラベルを使って再構成された音声データが自然音声に近いか否かの判定結果と、学習用変換工程で不特定の変換先話者の話者ラベルを使って変換された音声データが自然音声に近いか否かの判定結果とに基づいて損失関数を算出し、算出した損失関数に基づいてエンコーダとデコーダのパラメータを更新するパラメータ学習工程と、
パラメータ学習工程で更新されたパラメータがセットされたエンコーダとデコーダとを使って、入力話者の音声を、特定の変換先話者の音声に変換する声質変換工程と、を含むものである。
また、本発明のプログラムは、上記声質変換方法の各工程をコンピュータに実行させるものである。
本発明によれば、声質変換を行う際のデコーダとエンコーダを、入力話者に合わせて適切に学習することができるので、リアルタイムで高品質な声質変換を行うことが可能になる。
以下、本発明の一実施の形態例（以下、「本例」と称する）を、図１～図１１を参照して説明する。
［学習を行う際の構成］
図１は、本例の声質変換装置が学習処理を行う構成例を示す図である。
学習処理時には、変換前の音声である話者音声Ｖ１１を用意する。この話者音声Ｖ１１は、一定の長さ（時間）の音声データである。そして、学習処理時には、話者音声Ｖ１１をエンコーダ１１で符号化して、量子化データＱ１１を得る。量子化データＱ１１は、デコーダ１３で話者ラベルＳＬ１１を使ってデコードされ、再構成音声Ｖ１１′に変換される。話者ラベルＳＬ１１は、話者音声Ｖ１１の話者である変換前の話者の音声特徴を示すデータである。
図１は、本例の声質変換装置が学習処理を行う構成例を示す図である。
学習処理時には、変換前の音声である話者音声Ｖ１１を用意する。この話者音声Ｖ１１は、一定の長さ（時間）の音声データである。そして、学習処理時には、話者音声Ｖ１１をエンコーダ１１で符号化して、量子化データＱ１１を得る。量子化データＱ１１は、デコーダ１３で話者ラベルＳＬ１１を使ってデコードされ、再構成音声Ｖ１１′に変換される。話者ラベルＳＬ１１は、話者音声Ｖ１１の話者である変換前の話者の音声特徴を示すデータである。
また、話者音声Ｖ１１をエンコーダ１１で符号化して、量子化データＱ１２を得る。量子化データＱ１２は、デコーダ１３で話者ラベルＳＬ１２を使ってデコードされ、変換先話者音声Ｖ１２に変換される。話者ラベルＳＬ１２は、変換先話者の音声特徴を示すデータである。
これらのエンコーダ１１とデコーダ１３は、学習用変換部を構成する。
これらのエンコーダ１１とデコーダ１３は、学習用変換部を構成する。
エンコーダ１１は、一例を示すと、１次元畳み込みニューラルネットワーク（Convolutional Neural Network; ＣＮＮ）によって例えば音声信号の1/64の長さの特徴量を抽出し、512個のベクトルへと量子化するものである。
図２は、エンコーダ１１の構成例を示す。
図２に示すように、エンコーダ１１は、複数段の畳み込み部１０１～１０８を接続した構成とされ、話者音声Ｖ１１から潜在表現としての量子化データＱ１１を得る。各畳み込み部１０１～１０８でのパラメータは、図１に示す判定器１８、１９における判定結果に基づいて更新される。量子化データＱ１１は、図１に示すようにコードブックＣ１１を使って符号化されたものである。
また、話者音声Ｖ１１は、基本周波数抽出部２１に供給されて、話者音声Ｖ１１の基本周波数ｆ０が抽出される。ここでは、話者音声Ｖ１１の全ての区間の音声データの平均及び分散を算出して、基本周波数ｆ０が抽出される。本明細書で述べる基本周波数は、全て所定の区間の音声データの平均及び分散を算出したものである。話者音声Ｖ１１の基本周波数ｆ０は、事前に話者の音声の周波数を解析して、解析した周波数の平均及び分散から算出しておくこともできる。
図２に示すように、エンコーダ１１は、複数段の畳み込み部１０１～１０８を接続した構成とされ、話者音声Ｖ１１から潜在表現としての量子化データＱ１１を得る。各畳み込み部１０１～１０８でのパラメータは、図１に示す判定器１８、１９における判定結果に基づいて更新される。量子化データＱ１１は、図１に示すようにコードブックＣ１１を使って符号化されたものである。
また、話者音声Ｖ１１は、基本周波数抽出部２１に供給されて、話者音声Ｖ１１の基本周波数ｆ０が抽出される。ここでは、話者音声Ｖ１１の全ての区間の音声データの平均及び分散を算出して、基本周波数ｆ０が抽出される。本明細書で述べる基本周波数は、全て所定の区間の音声データの平均及び分散を算出したものである。話者音声Ｖ１１の基本周波数ｆ０は、事前に話者の音声の周波数を解析して、解析した周波数の平均及び分散から算出しておくこともできる。
エンコーダ１１で得られた量子化データＱ１１は、デコーダ１３に供給され、音声データに変換される。このとき、デコーダ１３には、基本周波数抽出部２１で抽出された基本周波数ｆ０が供給される。また、デコーダ１３には、話者音声Ｖ１１の特徴量（音響特徴量，音韻特徴量など）を示す話者ラベルＳＬ１１が供給され、話者ラベルＳＬ１１を使って再構成音声Ｖ１１′が得られる。
図３は、デコーダ１３の構成例を示す。
図３に示すように、デコーダ１３は、デコーダブロック２０１～２０４を複数段接続した構成とされる。そして、それぞれのデコーダブロック２０１～２０４に順にデータが供給される。また、各デコーダブロック２０１～２０４には、話者音声の特徴量を示す話者ラベルＳＬ１１が供給される。
各段のデコーダブロック２０１～２０４の変換出力は、アップサンプリング部２１１、２１３、２１５を介して、加算器２１２、２１４、２１６で次段のデコーダブロック２０１～２０４の変換出力と加算され、最終段の加算器２１６から再構成音声Ｖ１１′のデータが得られる。
図３に示すように、デコーダ１３は、デコーダブロック２０１～２０４を複数段接続した構成とされる。そして、それぞれのデコーダブロック２０１～２０４に順にデータが供給される。また、各デコーダブロック２０１～２０４には、話者音声の特徴量を示す話者ラベルＳＬ１１が供給される。
各段のデコーダブロック２０１～２０４の変換出力は、アップサンプリング部２１１、２１３、２１５を介して、加算器２１２、２１４、２１６で次段のデコーダブロック２０１～２０４の変換出力と加算され、最終段の加算器２１６から再構成音声Ｖ１１′のデータが得られる。
図４は、デコーダブロック２０１～２０４の構成例を示す。図４では、デコーダブロック２０２として説明するが、デコーダブロック２０１，２０３，２０４も同様に説明することができる。但し、初段のデコーダブロック２０１については、図４に示すアップサンプリング部２１１と加算器２１２は存在せず、畳み込み部２２５の出力をアップサンプリング部２１１に供給する構成である点が、図４とは相違する。
デコーダブロック２０１は、転置畳み込み部（Transpose Convolution）２２１と、畳み込み部（Dilated Convolution）２２２、２２３、２２５と、加算器２２４とを備える。転置畳み込み部２２１の出力は、畳み込み部２２２と畳み込み部２２３とに供給され、両畳み込み部２２２，２２３の出力が加算器２２４で加算される。
デコーダブロック２０１は、転置畳み込み部（Transpose Convolution）２２１と、畳み込み部（Dilated Convolution）２２２、２２３、２２５と、加算器２２４とを備える。転置畳み込み部２２１の出力は、畳み込み部２２２と畳み込み部２２３とに供給され、両畳み込み部２２２，２２３の出力が加算器２２４で加算される。
ここで、図４に示す畳み込み部２２２、２２３と加算器２２４は複数段（例えば４段）配置されている。最終段の加算器２２４の出力は、畳み込み部２２５を介して加算器２１２に供給される。
また、デコーダブロック２０１についても、それぞれでの処理時のパラメータは、後述するように、図１に示す判定器１８，１９での判定結果に基づいて更新される。
なお、図４では話者ラベルが供給される構成は図示していないが、転置畳み込み部２２１や畳み込み部２２２，２２３のいずれかで畳み込み演算を行う際に、話者ラベルが供給される。
また、デコーダブロック２０１についても、それぞれでの処理時のパラメータは、後述するように、図１に示す判定器１８，１９での判定結果に基づいて更新される。
なお、図４では話者ラベルが供給される構成は図示していないが、転置畳み込み部２２１や畳み込み部２２２，２２３のいずれかで畳み込み演算を行う際に、話者ラベルが供給される。
図１の構成の説明に戻ると、既に説明したように、話者音声Ｖ１１をエンコーダ１１で符号化して、量子化データＱ１２を得る。量子化データＱ１２についても、コードブックＣ１１を使って符号化されたものである。
エンコーダ１１で得られた量子化データＱ１２は、デコーダ１３に供給されて、音声データに変換される。このデコーダ１３における変換時には、不特定話者（変換先話者）の話者ラベルＳＬ１２が供給され、話者ラベルＳＬ１２を使って変換先話者音声Ｖ１２が得られる。ここでの不特定話者は、話者音声Ｖ１１の話者とは別の者である。
エンコーダ１１で得られた量子化データＱ１２は、デコーダ１３に供給されて、音声データに変換される。このデコーダ１３における変換時には、不特定話者（変換先話者）の話者ラベルＳＬ１２が供給され、話者ラベルＳＬ１２を使って変換先話者音声Ｖ１２が得られる。ここでの不特定話者は、話者音声Ｖ１１の話者とは別の者である。
また、変換前の話者音声Ｖ１１は、基本周波数抽出部２１に供給されて基本周波数ｆ０が抽出され、抽出された基本周波数ｆ０が基本周波数変換部２３に供給される。基本周波数変換部２３では、変換前の話者音声Ｖ１１の基本周波数ｆ０が、変換先話者の基本周波数ｆ０′に変換される。基本周波数変換部２３は、例えば供給される基本周波数を線形変換して、変換先話者の基本周波数に変換する。
デコーダ１４には、基本周波数変換部２３で変換された変換先話者の基本周波数ｆ０′が供給される。
デコーダ１４には、基本周波数変換部２３で変換された変換先話者の基本周波数ｆ０′が供給される。
上述したように、基本周波数変換部２３で変換された基本周波数ｆ０は、線形変換されたものの、変換先話者音声Ｖ１２の基本周波数である。変換先話者音声Ｖ１２の基本周波数ｆ０′は、事前に変換先話者の音声の周波数を解析して、解析した周波数の平均及び分散から算出してもよい。
なお、図１においては、再構成音声Ｖ１１′を得るエンコーダ１１及びデコーダ１３と、変換先話者音声Ｖ１２を得るエンコーダ１１及びデコーダ１３を便宜的に分けて図示しているが、実際は同一のものであり、再構成音声Ｖ１１´を得る場合と変換先話者音声Ｖ１２を得る場合とで、１組のエンコーダ１１及びデコーダ１３を使って時間を分けて順に処理を行っている。なお、同じ構成のエンコーダ１１及びデコーダ１３を２組用意して、同時に処理してもよい。
なお、図１においては、再構成音声Ｖ１１′を得るエンコーダ１１及びデコーダ１３と、変換先話者音声Ｖ１２を得るエンコーダ１１及びデコーダ１３を便宜的に分けて図示しているが、実際は同一のものであり、再構成音声Ｖ１１´を得る場合と変換先話者音声Ｖ１２を得る場合とで、１組のエンコーダ１１及びデコーダ１３を使って時間を分けて順に処理を行っている。なお、同じ構成のエンコーダ１１及びデコーダ１３を２組用意して、同時に処理してもよい。
このようにして、再構成音声Ｖ１１′と変換先話者音声Ｖ１２とが得られる。再構成音声Ｖ１１′と変換先話者音声Ｖ１２は、識別器（Discriminator）１５，１６に供給される。識別器１５，１６は、供給される音声が自然音声か否かを識別する。
識別器１５，１６は、例えば、大きいカーネルのグループ化畳み込み（Grouped Convolution）で時間方向に1/256に縮小しつつ、ダウンサンプリングした音声データを足し合わせる構成であり、基本的は両識別器１５，１６は同じ構成である。但し、識別器１５では話者ラベルで条件付けした出力が得られ、識別器１６では話者ラベルを使用しない出力が得られる。
なお、識別器１５，１６には、変換前の元の話者音声Ｖ１１などの自然音声の音声データも、識別器１５，１６に供給される。話者音声Ｖ１１を供給するのは一例であり、識別処理時に必要な話者の自然音声を識別器１５，１６に供給する。この自然音声の音声データは、識別器１５，１６自身のパラメータを設定する学習処理時に使用される。
なお、識別器１５，１６には、変換前の元の話者音声Ｖ１１などの自然音声の音声データも、識別器１５，１６に供給される。話者音声Ｖ１１を供給するのは一例であり、識別処理時に必要な話者の自然音声を識別器１５，１６に供給する。この自然音声の音声データは、識別器１５，１６自身のパラメータを設定する学習処理時に使用される。
図５は、識別器１５，１６の構成例を示す。
識別器１５，１６は、数段の畳み込み部３０１～３０４を接続した構成とされ、再構成音声Ｖ１１′などの音声データを順に圧縮する。このとき、初段以外の畳み込み部３０２～３０４には、ダウンサンプリング部３１１～３１３で順にダウンサンプリングした音声データが供給される。
識別器１５，１６は、数段の畳み込み部３０１～３０４を接続した構成とされ、再構成音声Ｖ１１′などの音声データを順に圧縮する。このとき、初段以外の畳み込み部３０２～３０４には、ダウンサンプリング部３１１～３１３で順にダウンサンプリングした音声データが供給される。
そして、最終段の畳み込み部３０４の出力は、２系統に分けられ、一方を畳み込み部３０５、３０６に順に供給すると共に、他方を畳み込み部３０７，３０８に順に供給する。このとき、一方の系統を処理する畳み込み部３０５、３０６は、話者ラベルＳＬ１１又はＳＬ１２を加えて、話者ラベルで条件付けされた出力を得る。この畳み込み部３０１，３０２，３０３，３０４，３０５，３０６が、図１に示す識別器１５に相当する。
また、他方の系統を処理する畳み込み部３０７、３０８は、話者ラベルを加えることなく、話者ラベルで条件付けされていない出力を得る。この畳み込み部３０１，３０２，３０３，３０４，３０７，３０８が、図１に示す識別器１６に相当する。
また、他方の系統を処理する畳み込み部３０７、３０８は、話者ラベルを加えることなく、話者ラベルで条件付けされていない出力を得る。この畳み込み部３０１，３０２，３０３，３０４，３０７，３０８が、図１に示す識別器１６に相当する。
畳み込み部３０６の出力は、判定器１７に供給され、判定器１７は、話者ラベルで条件付けされた出力から、自然音声か否かを判定する。
畳み込み部３０８の出力は、判定器１８に供給され、判定器１８は、話者ラベルで条件付けされていない出力から、自然音声か否かを判定する。
それぞれの判定器１７，１８は、例えば自然音声である確率を示す確率値で判定結果を示す。
畳み込み部３０８の出力は、判定器１８に供給され、判定器１８は、話者ラベルで条件付けされていない出力から、自然音声か否かを判定する。
それぞれの判定器１７，１８は、例えば自然音声である確率を示す確率値で判定結果を示す。
そして、判定器１７，１８での判定結果に基づいて、本例の声質変換装置は、識別器１５，１６そのもののパラメータを学習すると共に、図１に示すエンコーダ１１とデコーダ１３のパラメータを学習する。この判定器１７，１８を使って学習を行う処理は、敵対的生成ネットワーク（Generative Adversarial Networks：以下「ＧＡＮ」と称する）の手法を使って学習を行う処理である。
なお、図１に示す構成にて学習を行う処理の流れは、図９のフローチャートで詳細に説明する。判定器１７，１８での判定結果に基づいてパラメータを学習した結果は、次に説明する声質変換を実行する際に適用される。
なお、図１に示す構成にて学習を行う処理の流れは、図９のフローチャートで詳細に説明する。判定器１７，１８での判定結果に基づいてパラメータを学習した結果は、次に説明する声質変換を実行する際に適用される。
［話者音声を変換先話者音声に変換する構成］
図６は、本例の声質変換装置が、話者音声を変換先話者音声に変換する構成例を示す。
すなわち、図６は、変換前の話者音声Ｖ２１を、目的とする特定の変換先話者の音声である変換先話者音声Ｖ２２に変換する構成を示している。
まず、変換前の話者音声Ｖ２１を、エンコーダ１１に入力し、量子化データＱ２１を得る。量子化データＱ２１は、コードブックＣ１１を使って符号化されたものである。
エンコーダ１１としては、図１に示す学習処理にてパラメータが学習されたエンコーダ１１の構成が適用される。
図６は、本例の声質変換装置が、話者音声を変換先話者音声に変換する構成例を示す。
すなわち、図６は、変換前の話者音声Ｖ２１を、目的とする特定の変換先話者の音声である変換先話者音声Ｖ２２に変換する構成を示している。
まず、変換前の話者音声Ｖ２１を、エンコーダ１１に入力し、量子化データＱ２１を得る。量子化データＱ２１は、コードブックＣ１１を使って符号化されたものである。
エンコーダ１１としては、図１に示す学習処理にてパラメータが学習されたエンコーダ１１の構成が適用される。
話者音声Ｖ２１は、基本周波数抽出部２１に供給され、ここで変換前の話者の基本周波数ｆ０が抽出される。この基本周波数ｆ０は、変換前の話者音声Ｖ２１の全区間の平均及び分散を算出したものである。基本周波数抽出部２１で抽出された変換前の話者の基本周波数ｆ０は、基本周波数変換部２３に供給され、変換先話者の基本周波数ｆ０′に変換される。ここでの基本周波数変換部２３についても、図１で説明した基本周波数変換部２３と同様に、例えば線形変換により変換することができる。
エンコーダ１１で得られた量子化データＱ２１は、デコーダ１３に供給されて、音声データに変換される。デコーダ１３としては、図１に示す学習処理にてパラメータが学習されたデコーダ１３の構成が適用される。
また、デコーダ１３には、基本周波数変換部２３で得られた変換先話者の基本周波数ｆ０が供給される。また、デコーダ１３には、変換先話者音声Ｖ２２の特徴量（音響特徴量，音韻特徴量など）を示す話者ラベルＳＬ１３が供給され、この話者ラベルＳＬ１３を使って変換先話者音声Ｖ２２が得られる。
これらのエンコーダ１１とデコーダ１３は、声質変換部を構成する。
これらのエンコーダ１１とデコーダ１３は、声質変換部を構成する。
［ハードウェア構成例］
図７は、図１や図６に示す声質変換装置を実現するコンピュータのハードウェア構成の一例を示す図である。
図７に示すように、声質変換装置は、バスを介して相互に接続されたＣＰＵ（中央制御ユニット：Central Processing Unit）９０１、ＲＯＭ（Read Only Memory）９０２、ＲＡＭ（Random Access Memory）９０３、不揮発性ストレージ９０４、ネットワークインターフェース９０５、入出力部９０６を備える。
図７は、図１や図６に示す声質変換装置を実現するコンピュータのハードウェア構成の一例を示す図である。
図７に示すように、声質変換装置は、バスを介して相互に接続されたＣＰＵ（中央制御ユニット：Central Processing Unit）９０１、ＲＯＭ（Read Only Memory）９０２、ＲＡＭ（Random Access Memory）９０３、不揮発性ストレージ９０４、ネットワークインターフェース９０５、入出力部９０６を備える。
ＣＰＵ９０１は、ＲＡＭ９０３をワークエリアとしてＲＯＭ９０２又は不揮発性ストレージ９０４等に格納されたプログラムを実行することで、声質変換装置の動作を統括的に制御する。ネットワークインターフェース９０５は、声質変換装置に接続される機器とのインターフェースである。入出力部９０６は、音声入力や音声出力などの他の機器との入出力を行うためのインターフェースである。
学習用音声データ、変換用音声データ、及び変換済み音声データの入出力及び設定は、ネットワークインターフェース９０５又は入出力部９０６を介して行われる。エンコーダやデコーダのパラメータの記憶は、ＲＡＭ９０３又は不揮発性ストレージ９０４により行われる。
図１や図６で説明した声質変換装置が備える各機能は、ＣＰＵ９０１において所定のプログラムが実行されることで実現される。プログラムは、ＲＯＭに組み込んで使用してもよいが、他の記録媒体から取得してもよく、またネットワークを経由して取得してもよい。
また、一般的なコンピュータとプログラムの組合せでなく、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの論理回路を組むことで、声質変換装置の構成を実現するためのハードウェア構成とすることもできる。
また、一般的なコンピュータとプログラムの組合せでなく、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの論理回路を組むことで、声質変換装置の構成を実現するためのハードウェア構成とすることもできる。
［音声変換処理の流れ］
次に、図８～図１１のフローチャートを参照して、本例の音声変換処理の流れについて説明する。
図８は、本例の音声変換処理の全体の流れを示すフローチャートである。
まず、声質変換装置は、学習用音声データと各音声の話者情報を取得する（ステップＳ１１）。
そして、声質変換装置は、ステップＳ１１で取得したそれぞれの学習用音声データについての前処理を実行する（ステップＳ１２）。前処理の詳細については後述する（図１０）。
前処理が終了した後、声質変換装置は図１に示す構成にてモデルの学習を行う（ステップＳ１３）。ここでの学習には、図１に示す識別器１５，１６のパラメータの学習と、エンコーダ１１とデコーダ１３の学習が含まれる。学習処理の詳細については後述する（図１１）。
次に、図８～図１１のフローチャートを参照して、本例の音声変換処理の流れについて説明する。
図８は、本例の音声変換処理の全体の流れを示すフローチャートである。
まず、声質変換装置は、学習用音声データと各音声の話者情報を取得する（ステップＳ１１）。
そして、声質変換装置は、ステップＳ１１で取得したそれぞれの学習用音声データについての前処理を実行する（ステップＳ１２）。前処理の詳細については後述する（図１０）。
前処理が終了した後、声質変換装置は図１に示す構成にてモデルの学習を行う（ステップＳ１３）。ここでの学習には、図１に示す識別器１５，１６のパラメータの学習と、エンコーダ１１とデコーダ１３の学習が含まれる。学習処理の詳細については後述する（図１１）。
モデルの学習が終了した後、声質変換装置は、変換先話者である目標話者を設定する（ステップＳ１４）。この変換先話者は、既にステップＳ１１で取得した話者の中の特定の一人の話者である。
そして、声質変換装置は、変換元の話者の音声である、変換用音声データを取得する（ステップＳ１５）。声質変換装置は、取得した変換用音声データを、図７に示す構成にて変換先話者音声に声質変換する（ステップＳ１６）。声質変換する処理の詳細については後述する（図１２）。
そして、声質変換装置は、変換元の話者の音声である、変換用音声データを取得する（ステップＳ１５）。声質変換装置は、取得した変換用音声データを、図７に示す構成にて変換先話者音声に声質変換する（ステップＳ１６）。声質変換する処理の詳細については後述する（図１２）。
ステップＳ１６で声質変換された変換先話者音声データは、声質変換装置から出力される（ステップＳ１７）。ステップＳ１５での変換用音声の取得からステップＳ１７での変換先話者音声の取得はリアルタイムで実行される。
図９は、ステップＳ１２での前処理の詳細を示すフローチャートである。
まず、声質変換装置は、学習用音声データから、学習を行う区間の音声データの切り出しを行う（ステップＳ２１）。
そして、声質変換装置は、切り出した音声データの正規化処理を行い、適正なレベルの音声データとする（ステップＳ２２）。その後、声質変換装置は、正規化処理が行われた音声データから基本周波数を抽出する（ステップＳ２３）。この基本周波数の抽出は、例えば音声データの全区間に対して行われる。そして、声質変換装置は、抽出した話者ごとの全区間の基本周波数の平均及び分散を算出する（ステップＳ２４）。
まず、声質変換装置は、学習用音声データから、学習を行う区間の音声データの切り出しを行う（ステップＳ２１）。
そして、声質変換装置は、切り出した音声データの正規化処理を行い、適正なレベルの音声データとする（ステップＳ２２）。その後、声質変換装置は、正規化処理が行われた音声データから基本周波数を抽出する（ステップＳ２３）。この基本周波数の抽出は、例えば音声データの全区間に対して行われる。そして、声質変換装置は、抽出した話者ごとの全区間の基本周波数の平均及び分散を算出する（ステップＳ２４）。
図１０は、ステップＳ１３の学習処理である学習用変換工程とパラメータ学習工程の詳細を示すフローチャートである。
まず、声質変換装置は、図１に示すエンコーダ１１とデコーダ１３に初期パラメータを設定する（ステップＳ３１）。このとき、識別器１５，１６にも初期パラメータを設定する。
そして、エンコーダ１１に変換元の話者の学習用音声データを入力させ（ステップＳ３２）、エンコーダ１１により処理された量子化データを得る（ステップＳ３３）。
エンコーダ１１が出力した量子化データは、デコーダ１３に入力され、再構成音声が得られる（ステップＳ３４）。このとき、デコーダ１３には、変換元の話者の基本周波数と、該当する話者の音声特徴を示す話者ラベルが入力される。
まず、声質変換装置は、図１に示すエンコーダ１１とデコーダ１３に初期パラメータを設定する（ステップＳ３１）。このとき、識別器１５，１６にも初期パラメータを設定する。
そして、エンコーダ１１に変換元の話者の学習用音声データを入力させ（ステップＳ３２）、エンコーダ１１により処理された量子化データを得る（ステップＳ３３）。
エンコーダ１１が出力した量子化データは、デコーダ１３に入力され、再構成音声が得られる（ステップＳ３４）。このとき、デコーダ１３には、変換元の話者の基本周波数と、該当する話者の音声特徴を示す話者ラベルが入力される。
その後、声質変換装置は、ランダムな変換先話者を決定する（ステップＳ３５）。
そして、変換元の話者から決定した変換先話者に線形変換した基本周波数を計算する（ステップＳ３６）。
エンコーダ１１が出力した量子化データは、デコーダ１３に入力され、変換音声が得られる（ステップＳ３７）。このとき、デコーダ１３には、変換先話者の基本周波数と、該当する話者の音声特徴を示す話者ラベルが入力される。
そして、変換元の話者から決定した変換先話者に線形変換した基本周波数を計算する（ステップＳ３６）。
エンコーダ１１が出力した量子化データは、デコーダ１３に入力され、変換音声が得られる（ステップＳ３７）。このとき、デコーダ１３には、変換先話者の基本周波数と、該当する話者の音声特徴を示す話者ラベルが入力される。
次に、声質変換装置は、ステップＳ３４で得た再構成音声を識別器１５，１６に入力させる（ステップＳ３８）。また、声質変換装置は、対象となる自然音声、つまりエンコーダとデコーダで処理されていない音声を、識別器１５，１６に入力させる（ステップＳ３９）。さらに、声質変換装置は、ステップＳ３７で得た変換先話者の音声を識別器１５，１６に入力させる（ステップＳ４０）。ここでは、ステップＳ３８～Ｓ４０の順で、各音声が入力される例を示したが、これらの音声が入力される順序は一例であり、これに限定されない。
そして、声質変換装置は、識別器１５，１６の損失関数を算出する（ステップＳ４１）。さらに、ステップＳ４０で算出した損失関数に基づいて、識別器１５，１６のパラメータを更新する（ステップＳ４２）。
そして、声質変換装置は、識別器１５，１６の損失関数を算出する（ステップＳ４１）。さらに、ステップＳ４０で算出した損失関数に基づいて、識別器１５，１６のパラメータを更新する（ステップＳ４２）。
このステップＳ４１での損失関数の算出とステップＳ４２での識別器１５，１６のパラメータの更新時には、再構成音声又は変換先話者音声の識別結果と、自然音声の識別結果が利用されて、識別器１５，１６のパラメータが適切に更新される。
このときに適切に更新が行われる原理について説明すると、識別器１５，１６のパラメータが適切であれば、自然音声は、当然、自然音声である確率が高いとの判定結果が得られる。一方、識別器１５，１６のパラメータが適切であれば、デコーダ１３が出力する音声は、再構成音声又は変換された音声であり、少なくとも初期状態では、識別器１５，１６で、自然音声でない確率が高いとの判定結果が得られる。この２つの判定結果の違いに注目して損失関数が算出され、識別器１５，１６のパラメータが適切な値に更新される。識別器１５，１６のパラメータが適切な値に更新されることで、識別器１５，１６は、自然音声か否かの判定が精度良く行えるようになる。
このときに適切に更新が行われる原理について説明すると、識別器１５，１６のパラメータが適切であれば、自然音声は、当然、自然音声である確率が高いとの判定結果が得られる。一方、識別器１５，１６のパラメータが適切であれば、デコーダ１３が出力する音声は、再構成音声又は変換された音声であり、少なくとも初期状態では、識別器１５，１６で、自然音声でない確率が高いとの判定結果が得られる。この２つの判定結果の違いに注目して損失関数が算出され、識別器１５，１６のパラメータが適切な値に更新される。識別器１５，１６のパラメータが適切な値に更新されることで、識別器１５，１６は、自然音声か否かの判定が精度良く行えるようになる。
また、識別器１５，１６として、話者ラベルを使った識別器１５と、話者ラベルを使わない識別器１６の２つを用意して、それぞれの判定結果から損失関数を求めることで、話者ラベルを使ったデコードが適切かどうかについても判定できるようになる。
なお、次に述べるエンコーダ１１やデコーダ１３の学習で、これらのパラメータが適切に更新された後では、再構成音声や変換された音声についても、識別器１５，１６の判定結果として、自然音声である確率がそれなりに高くなる可能性がある。但し、学習をおこなったとしても、データ量や初期値の設定などで、自然音声である確率が高くなるとは限らない。
なお、次に述べるエンコーダ１１やデコーダ１３の学習で、これらのパラメータが適切に更新された後では、再構成音声や変換された音声についても、識別器１５，１６の判定結果として、自然音声である確率がそれなりに高くなる可能性がある。但し、学習をおこなったとしても、データ量や初期値の設定などで、自然音声である確率が高くなるとは限らない。
ここまでで識別器１５，１６のパラメータの学習工程が終了し、エンコーダ１１とデコーダ１３のパラメータの学習工程に移る。
すなわち、声質変換装置は、ステップＳ３４で得た再構成音声Ｖ１１′を識別器１５，１６に再度入力させ（ステップＳ４３）、またステップＳ３７で得た変換先話者Ｖ１２の音声を識別器１５，１６に再度入力させる（ステップＳ４４）。そして、声質変換装置は、このときの識別器１５，１６の損失関数を算出する（ステップ４５）。ここで、識別器１５の識別結果の確率値は、話者ラベルを使った識別結果であるため、話者に依存した音声成分の処理が、適切か否かが示されるようになる。また、識別器１６の識別結果の確率値は、話者ラベルを使っていない識別結果であるため、話者ラベルに依存しない音声成分のデコードが、適切か否かが示されるようになる。
すなわち、声質変換装置は、ステップＳ３４で得た再構成音声Ｖ１１′を識別器１５，１６に再度入力させ（ステップＳ４３）、またステップＳ３７で得た変換先話者Ｖ１２の音声を識別器１５，１６に再度入力させる（ステップＳ４４）。そして、声質変換装置は、このときの識別器１５，１６の損失関数を算出する（ステップ４５）。ここで、識別器１５の識別結果の確率値は、話者ラベルを使った識別結果であるため、話者に依存した音声成分の処理が、適切か否かが示されるようになる。また、識別器１６の識別結果の確率値は、話者ラベルを使っていない識別結果であるため、話者ラベルに依存しない音声成分のデコードが、適切か否かが示されるようになる。
そして、声質変換装置は、算出した損失関数に基づいて、エンコーダ１１とデコーダ１３のパラメータを更新する（ステップ４６）。その後、声質変換装置は、学習を終了する条件を満足するか否かを判断する（ステップ４７）。
ステップ４７で、学習を終了する条件を満足していないと判断したとき（ステップ４７のＮｏ）、声質変換装置は、ステップＳ３２からの処理を繰り返す。
また、ステップ４７で、学習を終了する条件を満足していると判断したとき（ステップ４７のＹｅｓ）、声質変換装置は、モデルの学習処理を終了する。ここで学習を終了する条件の例としては、例えば、予め指定した繰り返し回数に達した時、パラメータの勾配の絶対値が予め指定した微少値よりも小さくなった時、評価用データに対する損失が一定以上大きくなった時のいずれか一つ、あるいはこれらの組み合わせが考えられる。
ステップ４７で、学習を終了する条件を満足していないと判断したとき（ステップ４７のＮｏ）、声質変換装置は、ステップＳ３２からの処理を繰り返す。
また、ステップ４７で、学習を終了する条件を満足していると判断したとき（ステップ４７のＹｅｓ）、声質変換装置は、モデルの学習処理を終了する。ここで学習を終了する条件の例としては、例えば、予め指定した繰り返し回数に達した時、パラメータの勾配の絶対値が予め指定した微少値よりも小さくなった時、評価用データに対する損失が一定以上大きくなった時のいずれか一つ、あるいはこれらの組み合わせが考えられる。
この図１０のフローチャートに示す学習は、ＧＡＮの枠組みに基づき、敵対的に学習を行うものである。
ここで、本例の敵対的学習について説明すると、エンコーダとデコーダの学習には、敵対的損失としてヒンジロスを用いる。敵対的損失Ｌａｄｖは入力波形ｘ、デコーダに与える基本周波数ｐと話者ラベルｌを用いて以下の数１式で表わされる。
ここで、本例の敵対的学習について説明すると、エンコーダとデコーダの学習には、敵対的損失としてヒンジロスを用いる。敵対的損失Ｌａｄｖは入力波形ｘ、デコーダに与える基本周波数ｐと話者ラベルｌを用いて以下の数１式で表わされる。
さらに入力波形と再構成した出力波形で、ParallelWaveＧＡＮで提案されたMulti Resolution STFT Loss を計算する。Multi Resolution STFT LossであるＬstft は入力波形ｘ、デコーダへ入力する基本周波数ｐと話者ラベルｌ、再構成した波形ｘ（^）、ＳＴＦＴ（short-time Fourier transform：短時間フーリエ変換）を求める際のＦＦＴ点数とhop lengthと窓幅の組の数Ｍを用いて、以下の数２～５式で表される。なお、再構成した波形ｘ（^）の（^）は、以下の数式に示すように、本来は直前のｘの上に付与される。
但し、Ｎは振幅のフレーム数、||・||Ｆはフロベニウスノルム、||・||１はＬ１ノルム、Ｌｓ
（ｍ）はｍ番目のＦＦＴ点数とhop lengthと窓幅の組で求めたＬｓを表す。
また、本例では、ＶＱＶＡＥの手法に基づき、エンコーダの出力とその量子化された潜在表現がそれぞれ近づくようにする損失であるＶＱLossとCommit Lossを用いる。
ＶＱLossを示すＬｖｑ と、Commit Lossを示すＬｃｏｍｍｉｔは、エンコーダの出力ｚとデコーダの出力ｚ′と量子化された値ｑを用いて、以下の数６、７式で示される。
また、本例では、ＶＱＶＡＥの手法に基づき、エンコーダの出力とその量子化された潜在表現がそれぞれ近づくようにする損失であるＶＱLossとCommit Lossを用いる。
ＶＱLossを示すＬｖｑ と、Commit Lossを示すＬｃｏｍｍｉｔは、エンコーダの出力ｚとデコーダの出力ｚ′と量子化された値ｑを用いて、以下の数６、７式で示される。
但し、||・||２はＬ１ノルム、||・||１はＬ１ノルム、ｓｇ[・]は勾配を流さないことを示す。
敵対的損失とMulti Resolution STFT Loss を利用してＶＱＶＡＥと同様に再構成を学習し、変換時はラベルを差し替えることで変換する手法では、特に異性間での声質変換時の品質が劣る。
敵対的損失とMulti Resolution STFT Loss を利用してＶＱＶＡＥと同様に再構成を学習し、変換時はラベルを差し替えることで変換する手法では、特に異性間での声質変換時の品質が劣る。
ここで、本例の学習時には、識別器１５，１６を利用して変換した音声についても本物であるかどうか、つまり自然音声に近いか否かを判別させることにより、変換音声の品質を向上させる。
すなわち、変換音声を識別器１５，１６に自然音声であると判別させるConvert Loss Lconvert は入力波形ｘ、ランダムに選択した変換先話者ラベルl(~)、事前に求めた話者ごとの基本周波数の平均と分散を用いて変換先の話者へ線形変換した基本周波数p(~)とを用いて以下の数式で表される。なお、変換先話者ラベルl(~)や基本周波数p(~)の(~)は、以下の数８式に示すように本来は直前のlやｐの上に付与される。
すなわち、変換音声を識別器１５，１６に自然音声であると判別させるConvert Loss Lconvert は入力波形ｘ、ランダムに選択した変換先話者ラベルl(~)、事前に求めた話者ごとの基本周波数の平均と分散を用いて変換先の話者へ線形変換した基本周波数p(~)とを用いて以下の数式で表される。なお、変換先話者ラベルl(~)や基本周波数p(~)の(~)は、以下の数８式に示すように本来は直前のlやｐの上に付与される。
Convert Loss だけでは、話者による違いの少ないブレス音のみで構成された変換音声が出力されてしまう。そこで、変換前と変換後で音量はある程度一定であるということから、変換前と変換後の二乗平均値の差が小さくなるようにするRMS Loss を追加する。RMS Lossを示すＬrmsは、入力波形ｘ、ランダムな話者へ変換した波形ｘ（^）を用いて以下の数９式で表される。
但し、ｘｉ、ｘｉ(~)は、ｘ、ｘ(~)のｉ番目のサンプル値を表す。
これらの数１式～数９式を反映した最終的なエンコーダとデコーダの損失関数は以下の数１０式で表される。
これらの数１式～数９式を反映した最終的なエンコーダとデコーダの損失関数は以下の数１０式で表される。
λadv,λstft,λvq,λcommit,λconvert,λrmsは、各項の比率を調整するためのハイパーパラメータである。
識別器１５，１６の損失関数は、敵対的損失に加えランダムな話者へ変換した波形を偽と判断させる損失を用いる。損失関数は、エンコーダとデコーダへの入力波形ｘと再構成した波形ｘ（~）、ランダムな話者へ変換した波形ｘ(~)を用いて、以下の数１１式で表される。
識別器１５，１６の損失関数は、敵対的損失に加えランダムな話者へ変換した波形を偽と判断させる損失を用いる。損失関数は、エンコーダとデコーダへの入力波形ｘと再構成した波形ｘ（~）、ランダムな話者へ変換した波形ｘ(~)を用いて、以下の数１１式で表される。
学習時には、この数１０式と数１１式に基づいて、エンコーダ及びデコーダと、識別器のパラメータが更新される。なお、本例の場合、識別器として、話者ラベルを使う識別器１５と、話者ラベルを使わない識別器１６があるため、それぞれの識別器１５，１６の識別結果ごとに損失関数が得られ、それぞれの損失関数を使って、総合的に良好なパラメータとなるように学習される。
なお、ここまで数式を用いて説明した損失関数を用いたエンコーダ、デコーダ、識別器の学習処理は一例であり、その他の手法を用いてこれらのパラメータを更新してもよい。
なお、ここまで数式を用いて説明した損失関数を用いたエンコーダ、デコーダ、識別器の学習処理は一例であり、その他の手法を用いてこれらのパラメータを更新してもよい。
図１１は、ステップＳ１６での声質変換処理の詳細を示すフローチャートである。
まず、声質変換装置は、ステップＳ１３での学習処理で得られたエンコーダとデコーダのパラメータを、図６に示すエンコーダ１１とデコーダ１３に設定する（ステップ５１）。
そして、声質変換装置は、入力音声データから基本周波数を抽出する（ステップ５２）。また、声質変換装置は、入力音声データをエンコーダ１１に入力する（ステップ５３）。さらに、声質変換装置では、変換元の基本周波数から、変換先話者音声に線形変換した基本周波数が計算される（ステップ５４）。
まず、声質変換装置は、ステップＳ１３での学習処理で得られたエンコーダとデコーダのパラメータを、図６に示すエンコーダ１１とデコーダ１３に設定する（ステップ５１）。
そして、声質変換装置は、入力音声データから基本周波数を抽出する（ステップ５２）。また、声質変換装置は、入力音声データをエンコーダ１１に入力する（ステップ５３）。さらに、声質変換装置では、変換元の基本周波数から、変換先話者音声に線形変換した基本周波数が計算される（ステップ５４）。
その後、エンコーダ１１が出力した量子化データは、デコーダ１３に入力され、変換音声が得られる（ステップＳ５５）。このとき、デコーダ１３には、変換先話者の基本周波数と、該当する話者の音声特徴を示す話者ラベルが入力される。
ステップＳ５５で得られた変換音声が、図８のフローチャートのステップＳ１７で出力される変換済み音声データになる。
ステップＳ５５で得られた変換音声が、図８のフローチャートのステップＳ１７で出力される変換済み音声データになる。
以上説明したように、本例の声質変換装置によると、事前の学習でエンコーダとデコーダのパラメータを適切に設定でき、学習後の実際の声質変換処理で、リアルタイムに高音質の声質変換を行うことができる。特に本例の場合、デコードされた音声を識別器で識別する際に、話者ラベルを使った識別と、話者ラベルを使わない識別の２つの識別を行って、それぞれの識別結果からエンコーダとデコーダのパラメータを適切に設定するようにしたことで、変換後の音声の高音質化に貢献する。
具体的に本例の声質変換装置として機能するようにコンピュータにプログラムを実装して確かめ、本例の声質変換装置がリアルタイムで声質変換を行うことが確認できた。また、声質変換された音声の自然性の主観評価実験でも、高いスコアが得られ、変換された音声が自然な音声であることを確かめることができた。
具体的に本例の声質変換装置として機能するようにコンピュータにプログラムを実装して確かめ、本例の声質変換装置がリアルタイムで声質変換を行うことが確認できた。また、声質変換された音声の自然性の主観評価実験でも、高いスコアが得られ、変換された音声が自然な音声であることを確かめることができた。
１，１１…エンコーダ、２，１３…デコーダ、１５，１６…識別器、１７，１８…判定器、２１…基本周波数抽出部、２３…基本周波数変換部、１０１～１０８…畳み込み部、２０１～２０４…デコーダブロック、２１１，２１３，２１５…アップサンプリング部、２１２，２１４，２１６…加算器、２２１…転置畳み込み部、２２２，２２３，２２５…畳み込み部、２２４…加算器、３０１～３０８…畳み込み部、３１１～３１３…ダウンサンプリング部、９０１…ＣＰＵ、９０２…ＲＯＭ、９０３…ＲＡＭ、９０４…不揮発性ストレージ、９０５…ネットワークインターフェース、９０６…入力部
Claims (6)
- 入力話者の音声データをエンコーダで量子化データに変換し、変換された前記量子化データをデコーダで音声データに変換する際の話者ラベルを、変換先話者の話者ラベルに差し替えることで、前記入力話者の音声を前記変換先話者の音声に声質変換する声質変換装置であって、
前記エンコーダにセットされるパラメータ及び前記デコーダにセットされるパラメータは、事前の学習によって、入力話者の音声データを前記エンコーダで変換した後、前記入力話者の話者ラベルで変換したデータと、入力話者の音声データを前記エンコーダで変換した後、前記入力話者との音声データの話者ラベルとは異なる別の話者ラベルで変換したデータとのそれぞれが、自然音声に近いか否かの識別結果から算出した損失関数に基づいてセットされたものである、
声質変換装置。 - 入力話者の音声データをエンコーダで量子化データに変換し、変換された前記量子化データをデコーダで音声データに変換する際の話者ラベルを、変換先話者の話者ラベルに差し替えることで、前記入力話者の音声を前記変換先話者の音声に声質変換する声質変換方法であって、
前記エンコーダでの量子化と前記デコーダでの変換を、前記入力話者の話者ラベルを使って行うと共に、前記エンコーダでの量子化と前記デコーダでの変換を、不特定の前記変換先話者の話者ラベルを使って行う学習用変換工程と、
前記学習用変換工程で前記入力話者の話者ラベルを使って変換された音声データが自然音声に近いか否かの判定結果と、前記学習用変換工程で不特定の前記変換先話者の話者ラベルを使って変換された音声データが自然音声に近いか否かの判定結果とに基づいて損失関数を算出し、算出した損失関数に基づいて前記エンコーダと前記デコーダのパラメータを更新するパラメータ学習工程と、
前記パラメータ学習工程で更新されたパラメータがセットされた前記エンコーダと前記デコーダとを使って、前記入力話者の音声を、特定の変換先話者の音声に変換する声質変換工程と、を含む
声質変換方法。 - 前記エンコーダ及び前記デコーダで変換されていない自然音声の音声データと、前記デコーダで変換された音声データとを使って、音声データが自然音声に近いか否かの判定を行う識別器のパラメータを更新した上で、前記パラメータ学習工程を実行する
請求項２に記載の声質変換方法。 - 前記パラメータ学習工程で自然音声に近いか否かの判定を行う際には、前記デコーダで変換されたそれぞれの音声データを、話者ラベルを使って変換したデータから自然音声に近いか否かの判定を行うと共に、話者ラベルを使わずに変換したデータから自然音声に近いか否かの判定を行い、それぞれの判定で損失関数を算出する
請求項３に記載の声質変換方法。 - 前記学習用変換工程として、
前記入力話者の話者ラベルを使って前記デコーダで変換する際に、前記入力話者の基本周波数で変換を行うと共に、
前記不特定の変換先話者の話者ラベルを使って前記デコーダで変換する際に、前記入力話者の基本周波数を変換した前記不特定の変換先話者の基本周波数で変換を行う
請求項２～４のいずれか１項に記載の声質変換方法。 - 入力話者の音声データをエンコーダで量子化データに変換し、変換された前記量子化データをデコーダで音声データに変換する際の話者ラベルを、変換先話者の話者ラベルに差し替えることで、前記入力話者の音声を前記変換先話者の音声に声質変換する処理を、コンピュータに実行させるプログラムであって、
前記エンコーダでの量子化と前記デコーダでの変換を、前記入力話者の話者ラベルを使って行うと共に、前記エンコーダでの量子化と前記デコーダでの変換を、不特定の前記変換先話者の話者ラベルを使って行う学習用変換ステップと、
前記学習用変換ステップで前記入力話者の話者ラベルを使って変換された音声データが自然音声に近いか否かの判定結果と、前記学習用変換ステップで不特定の前記変換先話者の話者ラベルを使って変換された音声データが自然音声に近いか否かの判定結果とに基づいて損失関数を算出し、算出した損失関数に基づいて前記エンコーダと前記デコーダのパラメータを更新するパラメータ学習ステップと、
前記パラメータ学習ステップで更新されたパラメータがセットされた前記エンコーダと前記デコーダとを使って、前記入力話者の音声を、特定の変換先話者の音声に変換する声質変換ステップと、を前記コンピュータに実行させる
プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021026128A JP2022127898A (ja) | 2021-02-22 | 2021-02-22 | 声質変換装置、声質変換方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021026128A JP2022127898A (ja) | 2021-02-22 | 2021-02-22 | 声質変換装置、声質変換方法及びプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022127898A true JP2022127898A (ja) | 2022-09-01 |
Family
ID=83061406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021026128A Pending JP2022127898A (ja) | 2021-02-22 | 2021-02-22 | 声質変換装置、声質変換方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2022127898A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024069726A1 (ja) * | 2022-09-27 | 2024-04-04 | 日本電信電話株式会社 | 学習装置、変換装置、学習方法、変換方法及びプログラム |
-
2021
- 2021-02-22 JP JP2021026128A patent/JP2022127898A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024069726A1 (ja) * | 2022-09-27 | 2024-04-04 | 日本電信電話株式会社 | 学習装置、変換装置、学習方法、変換方法及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vasquez et al. | Melnet: A generative model for audio in the frequency domain | |
| Valle et al. | Flowtron: an autoregressive flow-based generative network for text-to-speech synthesis | |
| Chou et al. | One-shot voice conversion by separating speaker and content representations with instance normalization | |
| WO2019163849A1 (ja) | 音声変換学習装置、音声変換装置、方法、及びプログラム | |
| Lee et al. | Many-to-many voice conversion using conditional cycle-consistent adversarial networks | |
| JP6973304B2 (ja) | 音声変換学習装置、音声変換装置、方法、及びプログラム | |
| JP5717097B2 (ja) | 音声合成用の隠れマルコフモデル学習装置及び音声合成装置 | |
| JP6992873B2 (ja) | 音源分離装置、音源分離方法およびプログラム | |
| CN110047501B (zh) | 基于beta-VAE的多对多语音转换方法 | |
| WO2023001128A1 (zh) | 音频数据的处理方法、装置及设备 | |
| WO2019163848A1 (ja) | 音声変換学習装置、音声変換装置、方法、及びプログラム | |
| WO2024055752A9 (zh) | 语音合成模型的训练方法、语音合成方法和相关装置 | |
| WO2017146073A1 (ja) | 声質変換装置、声質変換方法およびプログラム | |
| US20230377584A1 (en) | Real-time packet loss concealment using deep generative networks | |
| JP2006521576A (ja) | 基本周波数情報を分析する方法、ならびに、この分析方法を実装した音声変換方法及びシステム | |
| CN113436607B (zh) | 一种快速语音克隆方法 | |
| Jagadeeshwar et al. | ASERNet: Automatic speech emotion recognition system using MFCC-based LPC approach with deep learning CNN | |
| JP2022127898A (ja) | 声質変換装置、声質変換方法及びプログラム | |
| US8447594B2 (en) | Multicodebook source-dependent coding and decoding | |
| Zhao et al. | Research on voice cloning with a few samples | |
| RU2754920C1 (ru) | Способ синтеза речи с передачей достоверного интонирования клонируемого образца | |
| CN114822497A (zh) | 语音合成模型的训练及语音合成方法、装置、设备和介质 | |
| Heymans et al. | Efficient acoustic feature transformation in mismatched environments using a Guided-GAN | |
| Song et al. | Speaker-adaptive neural vocoders for parametric speech synthesis systems | |
| WO2023157207A1 (ja) | 信号解析システム、信号解析方法及びプログラム |