ニューラル機械翻訳により推定された読み仮名・韻律記号を入力とする日本語End-to-End 音声合成の評価

摘要

近年，テキストからの音声合成（TTS: text-tospeech）でも，End-to-End アプローチが盛hに研究されており[2, 3]，英語において高品質な音声が生成できることが確認されている．これに対して，日本語End-to-End TTS を行う際に問題となるのが日本語テキストの扱いである．英語の場合，単語はスペースで区切られているが，日本語の場合，文章は分かち書きされていないため単語の同定から行う必要がある．また，英語は大文字・小文字合わせても52 種類だが，日本語は常用漢字だけで2,136 種類と，文字の種類が多い．さらに，「辛い（からい，つらい）」のように複数の読み方を持つ漢字が数多く存在し，「あめ（飴，雨）」のように同じ表記でアクセントが異なる単語があるなど，読みばかりでなく，韻律情報もテキストから推定しなければならない．End-to-End TTSでは，テキスト入力から音響特徴量を出力するモデルを学習するため，テキストから読み・韻律情報を推定することは大きな課題である．これらの理由から，日本語End-to-End TTS の研究では，テキスト解析後の読みや韻律をモデルに入力することが多い[5, 6]．