アクセント情報付きローマ字テキストを入力とする日本語end-to-end 音声合成の検討

摘要

高速でシンプルな日本語end-to-end 音声合成システムの構築を目指し、単一女性話者の日本語音声データとそのアクセント情報付きローマ字テキスト、約5万対をTacotron2およびWaveGlowで学習して音声を合成したところ、比較的品質の高い合成音が得られたので、それについて報告する。