楽譜時間情報を用いたアテンション機構に基づく歌声合成の検討

摘要

歌声合成の手法として，深層構造を持つニューラルネットワーク(Deep Neural Network; DNN) に基づく歌声合成が挙られる．このシステムは，音響モデル，発声タイミングモデル，音素継続長モデルから構成される．学習の際はそれぞれのモデルに対し独立した最適化を行うが，より高品質な歌声を合成するためには，システム全体として最適化可能なモデルが必要と考えられる．一方近年では，Tacotron 2などの，アテンション機構を含むsequence-to-sequenceモデルにより音響特徴量と時間構造を同時にモデル化する手法が提案されている．そこで本研究では，アテンション機構に基づく歌声合成を提案し，その有効性を検証する．