音声信号の中に隠れ状態を仮定したDNNベース音声合成

摘要

これまで提案されてきた多くのDNN ベースの音声合成モデルは，全フレームの音声特徴量を単一の音響モデルから生成するものであった．それに対して筆者らは音声信号の中に複数の隠れ状態を仮定して，状態ごとに音響モデルを使い分けることにより予測精度が向上するのではないかと考え，その仮説に則った音声合成モデル及びそのモデルの最適化手法を提案した．提案手法について，客観評価指標および主観評価指標を用いて評価を行ったところ，提案手法は対照条件に比べて理想的な数値が得られた．しかし，音声特徴量予測の際の重み推定ネットワークの出力wt を観察すると，ほとんどの場合において一つの成分のみが顕著に大きい値となり，他の成分は顕著に小さい値となっていた．そのため，提案した音声合成モデルが隠れ状態ごとに音響モデルネットワークを使い分けているとは考えづらい．複数の音響モデルネットワークを競合させることにより，勝ち残った一つの予測精度が向上しているのではないかという新たな仮説を考えることができる．