WO2023276539A1 - 音声変換装置、音声変換方法、プログラム、および記録媒体 - Google Patents

音声変換装置、音声変換方法、プログラム、および記録媒体 Download PDF

Info

Publication number
WO2023276539A1
WO2023276539A1 PCT/JP2022/022364 JP2022022364W WO2023276539A1 WO 2023276539 A1 WO2023276539 A1 WO 2023276539A1 JP 2022022364 W JP2022022364 W JP 2022022364W WO 2023276539 A1 WO2023276539 A1 WO 2023276539A1
Authority
WO
WIPO (PCT)
Prior art keywords
voice
pitch
conversion
phonemes
pitches
Prior art date
Application number
PCT/JP2022/022364
Other languages
English (en)
French (fr)
Inventor
和之 廣芝
優理 小田桐
伸也 北岡
Original Assignee
株式会社ドワンゴ
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社ドワンゴ filed Critical 株式会社ドワンゴ
Priority to US18/043,105 priority Critical patent/US20230317090A1/en
Priority to CN202280005607.1A priority patent/CN115956269A/zh
Publication of WO2023276539A1 publication Critical patent/WO2023276539A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/003—Changing voice quality, e.g. pitch or formants
    • G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
    • G10L21/013—Adapting to target pitch
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/04—Time compression or expansion
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G10L2015/025—Phonemes, fenemes or fenones being the recognition units
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/003—Changing voice quality, e.g. pitch or formants
    • G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
    • G10L21/013—Adapting to target pitch
    • G10L2021/0135—Voice conversion or morphing

Definitions

  • the adjusting unit 13 matches the pitch generated by the pitch generating unit 17 to the pitch of the voice to be converted.
  • the generation unit 14 inputs phonemes and pitches after linear conversion into the deep learning model, and synthesizes speech signals uttered in the conversion target voice specified by the input unit 11 .
  • FIG. 7 is a diagram showing an example of a screen 100 of a web application that converts voice input into multiple voices. For example, when a user accesses a website that provides a voice conversion service using a browser on a mobile terminal or personal computer (PC), screen 100 in FIG. 7 is displayed.
  • a user accesses a website that provides a voice conversion service using a browser on a mobile terminal or personal computer (PC)
  • screen 100 in FIG. 7 is displayed.
  • a record button 110 In the screen 100, a record button 110, a text input field 120, conversion destination voice labels 130A-130D, a voice conversion button 140, and conversion destination voice playback buttons 150A-150D are arranged.
  • voice conversion processing is started. Specifically, recorded voice data, sentences input in the text input field 120, and voice identifiers indicated in the destination voice labels 130A to 130D are input to the voice converter 1.
  • FIG. The speech conversion device 1 extracts phonemes and pitches from speech data, and also extracts phonemes from sentences. The speech conversion device 1 may correct the phonemes extracted from the speech data with the phonemes extracted from the text, or may use the phonemes extracted from the text in subsequent processing.
  • the speech conversion device 1 performs pitch adjustment and speech synthesis for each of the conversion destination voices indicated by the conversion destination speech labels 130A to 130D, and converts the user's voice into each of the conversion destination voices. output the audio data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Machine Translation (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

音声変換装置１は、変換先の声の指定を入力する入力部１１と、変換元の声の音声信号を解析して音素と音高を含む時系列データを抽出する抽出部１２と、音高の高さを指定された変換先の声の高さに合わせる調整部１３と、多人数の音声データを学習して指定の人の音声を合成できる深層学習モデルに、音素と音高を時系列順に入力して指定された変換先の声を合成した音声信号を生成する生成部１４を備える。

Description

音声変換装置、音声変換方法、プログラム、および記録媒体
　本発明は、音声変換装置、音声変換方法、プログラム、および記録媒体に関する。
　仮想空間内でコンピュータグラフィックスキャラクタ（以下、アバターと称する）を操作した映像を配信するサービスの広まりに伴い、アバターの見た目に合わせた声変換が望まれている。例えば、アバターを操作する配信者の性別および年齢がアバターの見た目に合っていない場合であっても、配信者の声をアバターの見た目に合った声に変換できるとよい。
　声変換を含む音声合成の品質は、ここ数年の深層学習技術の進歩により大きく向上した。中でも、音声サンプルを少しずつ生成していく自己回帰という手法を取りいれた深層学習モデルＷａｖｅＮｅｔにより、実際の音声とほぼ変わらない品質の音声を合成できるようになった。ＷａｖｅＮｅｔは合成する品質が高い一方、合成する速度が遅いという弱点があり、この点を改善したＷａｖｅＲＮＮなどのモデルも登場した。
特許第６７８３４７５号
　深層学習を用いた声変換の手法の１つに、変換元の声と変換先の声で同じ文章を読んだ音声のペアデータを用意し、それらのペアデータを学習データにして声変換を行う手法がある。しかしこの手法は、変換元の声の人に複数の文章を読んでもらって音声を録音し、さらにその音声データで深層学習を行う必要があるため、とても時間がかかるという問題があった。声変換の深層学習に変換元の音声データが必要になってしまうのは、声変換を直接的（Ｅｎｄ－ｔｏ－Ｅｎｄ）に深層学習で解決しようとしているためである。
　また、同じ見た目のアバターには同じ声で話して欲しいという要望がある。つまり、誰の声からでも同じ声に声変換できることが望まれている。さらに、誰の声からでも様々な人の声に変換できると、アバターの声として配信者の望む声を選択できたり、一人もしくは少人数の配信者で多数のアバターを操作できたりする。
　本発明は、上記に鑑みてなされたものであり、誰の声からでも、様々な人の声に声変換することを目的とする。
　本発明の一態様の音声変換装置は、変換先の声の指定を入力する入力部と、変換元の声の音声信号を解析して音素と音高を含む時系列データを抽出する抽出部と、前記音高の高さを指定された前記変換先の声の高さに合わせる調整部と、多人数の音声データを学習して指定の人の音声を合成できる深層学習モデルに前記音素と前記音高を時系列順に入力して指定された前記変換先の声を合成した音声信号を生成する生成部を備える。
　本発明の一態様の音声変換方法は、コンピュータが、変換先の声の指定を入力し、変換元の声の音声信号を解析して音素と音高を含む時系列データを抽出し、前記音高の高さを指定された前記変換先の声の高さに合わせ、多人数の音声データを学習して指定の人の音声を合成できる深層学習モデルに前記音素と前記音高を時系列順に入力して指定された前記変換先の声を合成した音声信号を生成する。
　本発明によれば、誰の声からでも、様々な人の声に声変換できる。
図１は、本実施形態の音声変換装置の構成の一例を示す図である。 図２は、音高の高さ調整を説明するための図である。 図３は、音声変換装置の深層学習モデルを説明するための図である。 図４は、変換元の声を限定せずに声変換できる様子を表した図である。 図５は、音声変換装置の処理の流れの一例を示すフローチャートである。 図６は、本実施形態の音声変換装置の変形例の構成の一例を示す図である。 図７は、音声変換装置を用いたＷｅｂアプリケーションの画面の一例を示す図である。 図８は、音声変換装置に速度変換装置を接続した構成の一例を示す図である。
　［構成］
　以下、本発明の実施の形態について図面を用いて説明する。
　図１を参照し、本実施形態の音声変換装置１の構成の一例について説明する。図１に示す音声変換装置１は、入力部１１、抽出部１２、調整部１３、および生成部１４を備える。音声変換装置１が備える各部は、演算処理装置、記憶装置等を備えたコンピュータにより構成して、各部の処理がプログラムによって実行されるものとしてもよい。このプログラムは音声変換装置１が備える記憶装置に記憶されており、磁気ディスク、光ディスク、半導体メモリなどの記録媒体に記録することも、ネットワークを通して提供することも可能である。
　入力部１１は、変換先の声の指定を入力する。例えば、入力部１１は、変換先の声の識別子または名前を入力してもよいし、変換先の声の属性（性別、大人の声、子供の声、高い声、あるいは低い声など）を入力してもよい。変換先の声の属性が入力された場合、入力部１１は、その属性に該当する変換先の声を変換先の声の候補の中から選択する。
　抽出部１２は、変換元の声の音声信号（以下、音声データと称する）を入力し、変換元の声を音声認識して、変換元の声から音素（子音＋母音）と各音素に対する音高（ピッチ）を含む時系列データを抽出する。音高は、抑揚、アクセント、および音声の長さなどの音声情報も含む。抽出部１２は、音声データを記録したファイルを読み込んでもよいし、音声変換装置１の備えるマイクロフォン（図示せず）を用いて音声データを入力してもよいし、音声変換装置１の備える外部端子に接続された機器から音声データを入力してもよい。抽出部１２は、既存の音声認識技術により、音声データから音素と音高を抽出する。例えば、音素の抽出にはＯｐｅｎＪＴａｌｋを利用でき、音高の抽出にはＷＯＲＬＤを利用できる。なお、音素の数は音声データの内容（テキストの内容）で決まり、音高の数は音声データの長さで決まるので、音素と音高は１対１で対応しなくてもよい。
　抽出部１２は、音声データとともに、音声データと同じ内容の文章を入力してもよい。抽出部１２は、入力した文章から音素を抽出してもよいし、入力した文章で音声データの音声認識結果を補正してもよい。音声と文章の両方を入力することにより、音素読み取りの正確さと、音高情報の獲得の両方が実現できる。例えば、滑舌が悪かった場合などの理由で、誤った音素が認識されてしまった場合に、入力した文章で調整できる。
　抽出部１２は、時系列順に、音素を生成部１４へ送るとともに、音高を調整部１３へ送る。音高は、調整部１３で高さ調整が行われた後、生成部１４へ送られる。
　調整部１３は、図２に示すように、抽出部１２の抽出した音素ごとの音高に線形変換を施して、変換元の声の高さを変換先の声の高さに合わせる。例えば、調整部１３は、低い声を高い声に変換したり、高い声を低い声に変換したりする。なお、変換先の声の高さは既知であり、音声変換装置１の備える記憶装置に保持されている。調整部１３は、変換先の声ごとに声の高さの平均を計算しておいて、変換元の声の高さの平均を変換先の声の高さの平均に調整してもよい。
　生成部１４は、音素と変換後の音高を、多人数の音声データを学習済みの深層学習モデルに入力し、入力部１１で指定された変換先の声で発話される音声信号を合成する。生成部１４の保持する深層学習モデルは、音素と音高を入力すると、入力部１１で指定された声で発話される音声信号を出力する。深層学習モデルには、例えば、ＷａｖｅＲＮＮを用いることができる。変換元の音声データの音素を抽出する際に各音素の発声区間を抽出して各音素に付随させ、各音素と音高を生成部１４に入力することで、生成部１４は、変換元の音声データの発話の間を保った音声を出力できる。無音区間については、無音区間を生成部１４に入力し、同じ長さの無音区間を出力させてもよい。
　音声変換装置１は学習部１５を備えてもよい。学習部１５は、変換先の声となる多人数の音声データから音素および音高を抽出し、音素と音高から抽出元の多人数の音声のそれぞれを合成できる深層学習モデルを学習する。例えば、本実施形態では、１００人のプロフェッショナル話者による高音質な音声データであるＪＶＳコーパスから音素と音高を抽出し、音素と音高を入力すると、１００人のプロフェッショナル話者のうちの指定の人の音声を合成して出力する深層学習モデルを学習した。多人数の話者の音声を一緒に深層学習することで、各話者の音声データが少なくてもよい品質で各話者の音声を合成できる。
　以上説明したように、本実施形態では、変換元の声を話者に依存しない要素に分解し、分解した要素から変換先の声を合成することで、変換元の音の波形を変換しない声変換を可能にした。具体的には、図３に示すように、声変換に際して、音声データから、言語情報として音素を抽出し、非言語情報として音高と発音タイミングを抽出し、抽出した音素と音高を深層学習モデルに入力して変換先の声を音声合成した。
　本実施形態では、変換元の声を話者に依存しない要素に分解してから音声合成するので、変換元の声と変換先の声のペアデータを学習する必要が無く、図４に示すように、誰の声からでも、学習に用いた様々な人の声に声変換することができる。
　［動作］
　次に、図５のフローチャートを参照し、音声変換装置１による音声変換の動作について説明する。
　ステップＳ１１にて、音声変換装置１は、変換先の声の指定を入力する。
　ステップＳ１２にて、音声変換装置１は、変換先の声の音声データを入力し、音声データから音素と音高を抽出する。
　ステップＳ１３にて、音声変換装置１は、ステップＳ１２で抽出した音高を変換先の声に合わせて変換する。
　ステップＳ１４にて、音声変換装置１は、音素と変換後の音高を深層学習モデルに入力し、変換先の声を合成して出力する。複数の人の声で出力する場合は、ステップＳ１３とステップＳ１４の処理を繰り返し、複数の変換先の声を合成する。
　［変形例］
　次に、図６を参照し、本実施形態の音声変換装置１の変形例の構成の一例について説明する。図６に示す音声変換装置１は、入力部１１、調整部１３、生成部１４、音素取得部１６、および音高生成部１７を備える。図６の音声変換装置１は、図１の音声変換装置１とは、抽出部１２の代わりに音素取得部１６と音高生成部１７を備える点で相違し、音声データではなくテキストを入力して、指定の変換先の声の音声信号を出力する。
　入力部１１は、変換先の声の指定を入力する。
　音素取得部１６は、テキストを入力し、入力したテキストから音素を取得する。例えば、音素取得部１６は、入力したテキストを形態素解析して、音声を文字コードで表現した音声記号列を生成し、音声記号列から音素を取得する。音素取得部１６は、単語などのアクセント情報を保持しておき、テキストから音素を取得した際、アクセントに基づく音高の生成を音高生成部１７に指示する。
　音高生成部１７は、音素に対応する音高を生成する。例えば、音高生成部１７は、標準の音高を記憶装置に記憶しておき、指定されたアクセントに対応する音高を読み出して出力する。
　調整部１３は、音高生成部１７の生成した音高を変換先の声の音高に合わせる。
　生成部１４は、深層学習モデルに音素と線形変換後の音高を入力し、入力部１１で指定された変換先の声で発話される音声信号を合成する。
　［実施例］
　次に、本実施形態の音声変換装置１を利用した実施例について説明する。
　図７は、音声を入力すると複数人の声に変換するＷｅｂアプリケーションの画面１００の一例を示す図である。例えば、ユーザが、携帯端末またはパーソナルコンピュータ（ＰＣ）のブラウザで声変換サービスを提供するＷｅｂサイトにアクセスすると、図７の画面１００が表示される。
　画面１００内には、録音ボタン１１０、テキスト入力欄１２０、変換先音声ラベル１３０Ａ～１３０Ｄ、声変換ボタン１４０、および変換先音声再生ボタン１５０Ａ～１５０Ｄが配置されている。
　ユーザは、録音ボタン１１０を押下して、携帯端末またはＰＣに接続されたマイクロフォンから音声を入力する。これにより、ユーザの声の音声データが録音される。
　ユーザは、テキスト入力欄１２０に、録音した音声と同じ内容の文章を入力する。例えば、ユーザが「おはようございます」と録音した場合、ユーザは、テキスト入力欄１２０に、「おはようございます」と入力する。携帯端末またはＰＣの音声認識機能を利用して、ユーザが録音した音声と同じ内容の文章がテキスト入力欄１２０に自動的に入力されてもよい。
　変換先音声ラベル１３０Ａ～１３０Ｄには、変換先の声を示すラベルが表示される。図７の例では、「声１」、「声１２」、「声３１」、および「声９９」のラベルが表示されている。これは、１番、１２番、３１番、９９番の人の声に変換されることを示している。変換先の声の事前に決められてもよいし、ランダムで選択されてもよい。あるいは、ユーザが変換先の声を選択してもよい。
　ユーザが声変換ボタン１４０を押下すると、声変換処理が開始される。具体的には、録音された音声データ、テキスト入力欄１２０に入力された文章、および変換先音声ラベル１３０Ａ～１３０Ｄに示された声の識別子が音声変換装置１に入力される。音声変換装置１は、音声データから音素と音高を抽出するとともに、文章からも音素を抽出する。音声変換装置１は、音声データから抽出した音素を文章から抽出した音素で補正してもよいし、文章から抽出した音素を後段の処理で用いてもよい。音声変換装置１は、変換先音声ラベル１３０Ａ～１３０Ｄに示された変換先の声のそれぞれについて、音高の高さ調整と音声合成を行い、ユーザの声を変換先の声のそれぞれに声変換した音声データを出力する。
　声変換処理後、ユーザが変換先音声再生ボタン１５０Ａ～１５０Ｄを押下すると、変換先音声再生ボタン１５０Ａ～１５０Ｄに対応する声の音声データが再生される。
　続いて、本実施形態の音声変換装置を音声の速度変換に用いた例について説明する。音声変換装置１を音声の速度変換に用いる場合、入力部１１が再生速度の指定を受け付けて、抽出部１２が抽出した音素と音高を含む時系列データを時間方向に圧縮または伸長してから生成部１４に入力する。例えば、倍速で再生する場合、抽出部１２の抽出した音素の発声区間を圧縮するとともに、調整部１３は、音高を時間方向に圧縮した後に、音高を変換先の声の高さに調整し、音素と音高を生成部１４に入力する。これにより、入力音声が、違和感のない声質（変換先の声）で倍速再生される。変換先の声は、任意の声を選択してよい。変換先の声として変換元の声に近いものを選択すれば、より違和感なく音声の再生速度を変更できる。入力音声をスロー再生する場合は、音素の発声区間を伸長するとともに、音高を時間方向に伸長すればよい。
　図８では、音声変換装置１に速度変換装置３を接続した例を示している。速度変換装置３は、音声（動画でもよい）を入力し、入力音声の再生速度を変えて早送り再生またはスロー再生する。再生速度を変えた音声は、ピッチが変化して、高くなったり、低くなったりする。
　再生速度を変えた（ピッチの変化した）音声を音声変換装置１に入力すると、音声変換装置１は、再生速度を変えた音声データから音素と音高を抽出し、抽出した音高を変換先の声の高さに線形変換し、音素と音高を深層学習モデルに入力して変換先の声による音声を合成する。これにより、再生速度の変更によりピッチの変化した音声が、再生速度変更後の発話タイミングで、変換先の声で再生される。なお、音声変換装置１に入力する音声の内容と同じテキストデータを入力することで、早送り再生された音声の認識率の低下をカバーすることができる。
　図８では、音声変換装置１と速度変換装置３とを別々の装置で構成したが、音声変換装置１が速度変換装置３の機能を備えてもよい。また、速度変換装置３を備えない場合でも、倍速再生またはスロー再生された音声を音声変換装置１に入力すれば、スピードは倍速またはスローのままで、通常時の声の高さの自然な音声に変換できる。
　以上説明したように、本実施形態の音声変換装置１は、変換先の声の指定を入力する入力部１１と、変換元の声の音声信号を解析して音素と音高を含む時系列データを抽出する抽出部１２と、音高の高さを指定された変換先の声の高さに合わせる調整部１３と、多人数の音声データを学習して指定の人の音声を合成できる深層学習モデルに、音素と音高を時系列順に入力して指定された変換先の声を合成した音声信号を生成する生成部１４を備える。本実施形態では、変換元の声を話者に依存しない音素と音高に分解し、音素と音高から変換先の声を合成することで、変換元の音の波形を変換しない声変換を可能にした。これにより、音素と音高から音声合成する深層学習モデルを学習するだけで、変換元の音声データを一切用いずに、誰の声からでも変換先の声に変換できる。
　１　音声変換装置
　１１　入力部
　１２　抽出部
　１３　調整部
　１４　生成部
　１５　学習部
　１６　音素取得部
　１７　音高生成部
　３　速度変換装置

Claims (8)

  1. 　変換先の声の指定を入力する入力部と、
    　変換元の声の音声データを解析して音素と音高を含む時系列データを抽出する抽出部と、
    　前記音高の高さを指定された前記変換先の声の高さに合わせる調整部と、
    　多人数の音声データを学習して指定の人の音声を合成できる深層学習モデルに前記音素と前記音高を時系列順に入力して指定された前記変換先の声を合成した音声データを生成する生成部を備える
    　音声変換装置。
  2. 　請求項１に記載の音声変換装置であって、
    　変換先の声となる多人数の音声データから音素および音高を抽出し、音素と音高から前記多人数の音声のそれぞれを合成できる深層学習モデルを学習する学習部を備える
    　音声変換装置。
  3. 　請求項１または２に記載の音声変換装置であって、
    　前記抽出部は、前記変換元の声の音声データとともに前記変換元の声の発話内容と同じ文章を入力し、当該文章を解析して音素を抽出する
    　音声変換装置。
  4. 　請求項１または２に記載の音声変換装置であって、
    　前記抽出部は、前記変換元の声の音声データの代わりに文章を解析して音素を抽出し、音素に対応する音高を記憶装置から読み出して前記調整部へ送信する
    　音声変換装置。
  5. 　請求項１ないし３のいずれかに記載の音声変換装置であって、
    　前記抽出部は、前記音素それぞれの発声区間を抽出し、圧縮または伸長した発声区間を前記生成部に入力し、
    　前記調整部は、前記発声区間の圧縮または伸長に合わせて前記音高を時間方向に圧縮または伸長する
    　音声変換装置。
  6. 　コンピュータが、
    　変換先の声の指定を入力し、
    　変換元の声の音声データを解析して音素と音高を含む時系列データを抽出し、
    　前記音高の高さを指定された前記変換先の声の高さに合わせ、
    　多人数の音声データを学習して指定の人の音声を合成できる深層学習モデルに前記音素と前記音高を時系列順に入力して指定された前記変換先の声を合成した音声データを生成する
    　音声変換方法。
  7. 　変換先の声の指定を入力する処理と、
    　変換元の声の音声データを解析して音素と音高を含む時系列データを抽出する処理と、
    　前記音高の高さを指定された前記変換先の声の高さに合わせる処理と、
    　多人数の音声データを学習して指定の人の音声を合成できる深層学習モデルに前記音素と前記音高を時系列順に入力して指定された前記変換先の声を合成した音声データを生成する処理を
    　コンピュータに実行させるプログラム。
  8. 　変換先の声の指定を入力する処理と、
    　変換元の声の音声データを解析して音素と音高を含む時系列データを抽出する処理と、
    　前記音高の高さを指定された前記変換先の声の高さに合わせる処理と、
    　多人数の音声データを学習して指定の人の音声を合成できる深層学習モデルに前記音素と前記音高を時系列順に入力して指定された前記変換先の声を合成した音声データを生成する処理を
    　コンピュータに実行させるプログラムを記録した記録媒体。
PCT/JP2022/022364 2021-06-30 2022-06-01 音声変換装置、音声変換方法、プログラム、および記録媒体 WO2023276539A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/043,105 US20230317090A1 (en) 2021-06-30 2022-06-01 Voice conversion device, voice conversion method, program, and recording medium
CN202280005607.1A CN115956269A (zh) 2021-06-30 2022-06-01 语音转换装置、语音转换方法、程序及记录介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021108707A JP7069386B1 (ja) 2021-06-30 2021-06-30 音声変換装置、音声変換方法、プログラム、および記録媒体
JP2021-108707 2021-06-30

Publications (1)

Publication Number Publication Date
WO2023276539A1 true WO2023276539A1 (ja) 2023-01-05

Family

ID=81607980

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/022364 WO2023276539A1 (ja) 2021-06-30 2022-06-01 音声変換装置、音声変換方法、プログラム、および記録媒体

Country Status (4)

Country Link
US (1) US20230317090A1 (ja)
JP (2) JP7069386B1 (ja)
CN (1) CN115956269A (ja)
WO (1) WO2023276539A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024202977A1 (ja) * 2023-03-24 2024-10-03 ヤマハ株式会社 音変換方法およびプログラム
WO2024202975A1 (ja) * 2023-03-24 2024-10-03 ヤマハ株式会社 音変換方法およびプログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7179216B1 (ja) 2022-07-29 2022-11-28 株式会社ドワンゴ 声質変換装置、声質変換方法、声質変換ニューラルネットワーク、プログラム、および記録媒体

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002258885A (ja) * 2001-02-27 2002-09-11 Sharp Corp テキスト音声合成装置およびプログラム記録媒体
JP2007193139A (ja) * 2006-01-19 2007-08-02 Toshiba Corp 音声処理装置及びその方法
JP2008040431A (ja) * 2006-08-10 2008-02-21 Yamaha Corp 音声加工装置
JP2008203543A (ja) * 2007-02-20 2008-09-04 Toshiba Corp 声質変換装置及び音声合成装置
JP2018005048A (ja) * 2016-07-05 2018-01-11 クリムゾンテクノロジー株式会社 声質変換システム
US10249314B1 (en) * 2016-07-21 2019-04-02 Oben, Inc. Voice conversion system and method with variance and spectrum compensation
JP2021508859A (ja) * 2018-02-16 2021-03-11 ドルビー ラボラトリーズ ライセンシング コーポレイション 発話スタイル転移

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002258885A (ja) * 2001-02-27 2002-09-11 Sharp Corp テキスト音声合成装置およびプログラム記録媒体
JP2007193139A (ja) * 2006-01-19 2007-08-02 Toshiba Corp 音声処理装置及びその方法
JP2008040431A (ja) * 2006-08-10 2008-02-21 Yamaha Corp 音声加工装置
JP2008203543A (ja) * 2007-02-20 2008-09-04 Toshiba Corp 声質変換装置及び音声合成装置
JP2018005048A (ja) * 2016-07-05 2018-01-11 クリムゾンテクノロジー株式会社 声質変換システム
US10249314B1 (en) * 2016-07-21 2019-04-02 Oben, Inc. Voice conversion system and method with variance and spectrum compensation
JP2021508859A (ja) * 2018-02-16 2021-03-11 ドルビー ラボラトリーズ ライセンシング コーポレイション 発話スタイル転移

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024202977A1 (ja) * 2023-03-24 2024-10-03 ヤマハ株式会社 音変換方法およびプログラム
WO2024202975A1 (ja) * 2023-03-24 2024-10-03 ヤマハ株式会社 音変換方法およびプログラム

Also Published As

Publication number Publication date
JP7069386B1 (ja) 2022-05-17
CN115956269A (zh) 2023-04-11
US20230317090A1 (en) 2023-10-05
JP2023006218A (ja) 2023-01-18
JP2023007405A (ja) 2023-01-18

Similar Documents

Publication Publication Date Title
WO2023276539A1 (ja) 音声変換装置、音声変換方法、プログラム、および記録媒体
US7739113B2 (en) Voice synthesizer, voice synthesizing method, and computer program
US5884267A (en) Automated speech alignment for image synthesis
US5911129A (en) Audio font used for capture and rendering
US8886538B2 (en) Systems and methods for text-to-speech synthesis using spoken example
US20190130894A1 (en) Text-based insertion and replacement in audio narration
US11942093B2 (en) System and method for simultaneous multilingual dubbing of video-audio programs
US6463412B1 (en) High performance voice transformation apparatus and method
US20200058288A1 (en) Timbre-selectable human voice playback system, playback method thereof and computer-readable recording medium
JPH10153998A (ja) 補助情報利用型音声合成方法、この方法を実施する手順を記録した記録媒体、およびこの方法を実施する装置
JP5148026B1 (ja) 音声合成装置および音声合成方法
JP2011186143A (ja) ユーザ挙動を学習する音声合成装置、音声合成方法およびそのためのプログラム
KR100636386B1 (ko) 실시간 비디오 음성 더빙 장치 및 그 방법
KR100710600B1 (ko) 음성합성기를 이용한 영상, 텍스트, 입술 모양의 자동동기 생성/재생 방법 및 그 장치
JP2001117920A (ja) 翻訳装置および翻訳方法、並びに記録媒体
JPH0756494A (ja) 発音訓練装置
JP2006030609A (ja) 音声合成データ生成装置、音声合成装置、音声合成データ生成プログラム及び音声合成プログラム
JP2001125599A (ja) 音声データ同期装置及び音声データ作成装置
JPH05224689A (ja) 音声合成装置
WO2018179209A1 (ja) 電子機器、音声制御方法、およびプログラム
JP5471138B2 (ja) 音素符号変換装置および音声合成装置
JP2006162760A (ja) 語学学習装置
JP2000358202A (ja) 映像音声記録再生装置および同装置の副音声データ生成記録方法
Zhe et al. Incorporating Speaker’s Speech Rate Features for Improved Voice Cloning
JPH11109992A (ja) 音声素片データベースの作成方法、音声合成方法、音声素片データベース、音声素片データベース作成装置および音声合成装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22832697

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22832697

Country of ref document: EP

Kind code of ref document: A1