アニメソングの統計的歌声合成に向けた歌唱データベースの構築

摘要

統計的音声合成により生成された音声合成の品質は，Hidden Markov model 音声合成時代では肉声と明確に区別できる音質であったが，Deep Neural Networkの利用により飛躍的な進歩を遂げている．Deep Voice3 やWaveNet などは，人間と区別ができないほどの音声を生成することができると言われている．このようなニューラルネットワークを学習するに当たり，音声データベースの規模は非常に重要である．WaveNet では，44 時間の音声を含hでいるVCTK や820 時間の音声を含むLibriSpeech などを学習データとして使用することで，高い品質の音声合成を実現している．統計的音声合成のための音声データベースはすでに複数公開されており，学術用途であればフリーで使える状況にある．