統計的系列-フレーム写像に基づく音声変換(一般セッション,クロスモーダル)

概要

論文の詳細を見る
話者変換の目的はある話者の声を別の話者の声に変換することである。これは二つの話者区間において音声時系列のマッピング関数を求めることとして考えられる。GMMを用いた統計的マッピング方法[1]、[2]は話者変換のタスクにおいてよく使われている。ただし、GMMを用いた変換技術はフレームからフレームヘのマッピング関数を使用しているので、音声時系列のコンテキスト情報が十分には使われていない。HMMは音声時系列の有効なモデルであり、音声認識や音声合成においてよく使われている。本研究はHMMを用いた音声変換を研究対象とする。我々はHMMを用いた回帰、シーケンスからフレームの変換関数を導出した。先行のHMMを用いた音声変換方法[3]〜[5]は強制切り出し(forced alignment)によって音声を分割し、各区間に対して変換を行う。それらの方法と異なって、我々の変換関数は線形変換の重みつけの和として導出される。重みは各フレームのHMM事後確率である。変換パラメータを推定するために、我々は最小2乗誤差基準及びと最大尤度基準を提案した。実験結果は提案手法の有効性を示した。
社団法人電子情報通信学会の論文
2010-01-14