隠れマルコフモデルを用いた音声合成-人間のように話す機械の実現に向けて-

使用隐马尔可夫模型的语音合成 - 实现像人类一样说话的机器 -

• 批准号: 08750506
• 负责人: 益子 貴史
• 金额: $ 0.64万
• 依托单位: Tokyo Institute of Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Encouragement of Young Scientists (A)
• 财政年份: 1996
• 资助国家: 日本
• 起止时间: 1996 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-08750506/
• 关键词: 音声合成; 隠れマルコフモデル; 話者適応; 声質変換; ピッチ生成

隠れマルコフモデル(HMM)は,音声スペクトル系列の優れた統計的モデル化手法として,音声認識などの分野でその有効性が示されている.近年,我々は音声のスペクトル情報を学習した隠れマルコフモデルから音声スペクトルパラメータ系列を生成する手法を提案し,隠れマルコフモデルが音声合成においても有効であることを示した.音声を合成するためには,音韻(スペクトル)情報だけではなく,韻律情報(音の高さや強さ,継続時間)も生成する必要がある.本研究では,隠れマルコフモデルに基づいた音声合成手法を確立し,様々な話者の声質を模倣したり,感情表現された音声を合成することを目的とし,その基礎となる韻律のモデル化,および音声認識の分野で研究されている話者適応技術によるモデルパラメータの変換について検討している.まず,合成音声の声質変換について検討した.スペクトル情報を学習したHMMに対して話者適応技術を適用し,目標となる話者により発声された学習データを用いてHMMを適応することにより,合成された音声の声質が変化すること,また小量の学習データで十分に目標話者の声質に近づけることができることを明らかにした.次に,韻律情報のうち,ピッチ情報のモデル化手法について検討した.ピッチ情報は,有声区間では連続値をとるが,無声区間では値を持たないため,通常のHMMではモデル化することができない.そこで,連続値と離散値を取り扱うことのできる離散連続混成HMMを提案し,その定式化を行った.また,この混成HMMがピッチ情報のモデル化に有効であること,さらに混成HMMから生成したピッチ情報を用いた合成音声は高い自然性を持つことを明らかにした.今後は韻律情報のうち,パワーと音韻継続長のモデル化および適応手法について検討する必要がある.

HMM is the best statistical method for sound recognition. In recent years, I have proposed a method for generating sound series by studying sound system information, and proposed a method for synthesizing sound system information. Sound synthesis, phoneme information, prosody information, sound intensity, sound time, etc. This study aims to establish the basic techniques of voice synthesis, to analyze the speaker's voice quality, to analyze the emotional performance, to synthesize voice, to analyze the basic techniques of voice synthesis, to analyze the basic techniques of voice synthesis, to analyze the voice recognition, and to analyze the voice recognition and classification techniques of voice synthesis. The quality of synthesized sound is changed. HMM is suitable for speaker adaptation technology. The purpose of HMM is to synthesize the sound quality of the speaker. Next, prosody information is detected, and the prosody information is detected. For example, if you have a voice interval, you can continue to use it, and if you do not have a voice interval, you can continue to use it, and if you do not have a voice interval, you can continue to use it.そこで,连続値と离散値を取り扱うことのできる离散连続混成HMMを提案し,その定式化を行った. The hybrid HMM is composed of two parts, one part is composed of two parts, the other part is composed of two In the future, it is necessary to discuss the prosodic information, such as the phoneme, the length of the phoneme, and the appropriate technique.