統計的歌声合成の音素タイミングモデル構築に向けた歌唱データベースの統計解析

摘要

歌声合成とは歌詞と譜面を入力すると歌声波形を生成する技術の総称であり，代表的な歌声合成ソフトウェアであるVOCALOID [1]の発売後は，多くのクリエイタが歌声合成ソフトウェアを活用したコンテンツを公開している．歌声合成は，テキストから音声を生成するテキスト音声合成と類似した技術で構成されており，初期のアルゴリズムにはUnit selection [2]が用いられてきた．テキスト音声合成に関しては，その後，HMM (hidden Markov model)による統計的パラメトリック音声合成[3]が提案され，Unit selection よりも相対的に少ない学習データから，読み上げ内容を理解できる程度に自然な音声が生成可能となった．2013 年には，DNN (Deep neural network)を用いたテキスト音声合成 [4]が発表され，2017 年に提案されたTacotron [5]をはじめとするEnd-to-End 方式により，人間の音声と等価な品質での音声合成が実現された．