DNN音声合成における少量の目標感情音声を用いた感情付与方式の検討

摘要

本報告では，感情音声合成の更なる改善のために，少量の目標感情音声を用いた感情音声合成システムの構築を目的とした．学習データに含まれない感情音声を生成するDNN 音声合成方式を応用し，多様な話者?感情表現を含む音声と少量の目標感情音声データから，目標感情音声を生成する方式を提案した．客観評価実験と主観評価実験より，提案方式を用いた音響モデル（PM，AIM）と目標音声450 文のみで学習した音響モデル(SED) の性能を比較した．客観評価結果より，PM，AIM ともに450 文より少ない目標感情音声データでSED と同等の性能を示し，450文でSED を上回ることが示された．主観評価結果より，目標音声1 文を学習した音響モデルが450 文のSED と同程度の品質の音声を生成可能であることが示された．以上より，少量の目標感情音声データを用いた感情音声合成システムの構築における提案方式の有効性が示された．