End-to-End 型テキスト音声合成におけるWaveNet ボコーダの学習に関する調査

摘要

本研究では，合成音声の品質に寄与する要因を明らかにすることを目的とし，Tacotron 2 におけるWaveNet ボコーダの学習に関する調査を行った．実験的評価により，単なるファインチューニングの適用では自然性の改善が見られないが，音響特徴量系列に対する時間方向の畳み込み層の適用で自然性が改善することが分かった．また，ファインチューニングと畳み込み層を併用することで，さらなる自然性の改善が見込めることを確認した．今後の課題として，Tacotron 2 の合成時における推定音響特徴量を用いたファインチューニングの検討が挙げられる．