GGDRMによる双方向変換を考慮したDNN声質変換のための事前学習法

摘要

声質変換は，ソース話者の発話を変形することで，ターゲット話者の発話であるかのように認識させる技術である．ソース話者とターゲット話者が同じ内容を発話した音声の対である，パラレルデータを使用するアプローチでは，コードブックに基づく手法が提案されて以来，様々なアプローチが提案されている．その中でも，GMM（Gaussian MixtureModel） に基づく手法やDNN（Deep NeuralNetwork）に基づく手法[6, 7] が盛んに研究されている．GMMに基づく手法 では，ソース話者とターゲット話者の音響特徴量の同時分布をモデル化し，最尤法基準でパラメータを推定する．そして，得られたパラメータをもとにソース話者の音声をターゲット話者の音声へと変換する．GMM に基づく変換法は，その柔軟性の高さから広く用いられている．しかし，同時分布をモデル化する際，ソース話者とターゲット話者の音響特徴量を表すベクトルが結合され，ひとつのベクトルとして扱われる．したがって，2 つの可視変数（ソース話者とターゲット話者）の特徴量空間が明示的に分離されていない．また，2 つの可視変数の特徴量を結合したベクトルを用いて学習を行うため，特徴量空間の次元が大きくなり，モデルの表現能力次第では，より過学習の影響を受けやすいといえる．