日本語end-to-end音声合成における発話スタイル制御に関する検討

摘要

番組制作の意図に沿った放送品質の音声合成を実現するためには、番組の演出要件に応じて発話スタイルを制御することが重要である。例えばニュース、スポーツ実況、ドキュメンタリーなど、番組によってそれぞれ異なる発話スタイルが求められる。そこで、Encoder-DecoderモデルのDNN(Deep Neural Network)を用いた日本語 end-to-end 音声合成において、これらの番組特有の発話スタイルを再現する方式を提案する。今回、提案手法で作成した合成音声について主観評価実験を実施し、その有効性を検証したので報告する。