VAE-SPACE: 音声F0 パターンの深層生成モデル

摘要

基本周波数（F_0）パターンは，言語?非言語情報と深い関係がある. 例えば，話者は，発話文の語尾のF_0 パターンを変化させることで疑問文を表現し，F_0パターンのダイナミクスを変化させることで意図や感情を表現する. また，歌声においても，メロディや情感，個人性を表現するために，歌唱者はF0 パターンを変化させる. F_0 パターン生成過程のモデル化は，表現豊かな音声?歌声合成や対話システム，話者?感情認識などの実現に極めて有効である.話し声のF_0 パターン生成過程のモデルとしては，喉頭による声帯の制御機構を模擬した物理モデル（通称「藤崎モデル」） とそのパラメータを統計的手法により推定することを可能にする藤崎モデルの確率モデル版 が提案されている．藤崎モデルは歌声には当てはまらない仮定をいくつか置くため，そのままの形では歌声のF_0 パターンに適用することはできないが，藤崎モデルを歌声の特徴に合わせて適応したいわば藤崎モデルの歌声版も提案されている．これらのモデルでは，F_0 パターンを直感的かつ解釈可能な生成過程パラメータ（藤崎モデルではフレーズ成分やアクセント成分，歌声モデルでは楽譜情報またはメロディ成分や表現成分に相当）により記述し，所与のF_0 パターンからこれらを推定することで話し声や歌声の特徴を保持したまま自由にF_0 パターンを加工したり変換したりすることを可能とする．しかし，これらのモデルで共通する問題として，それぞれ話し声（特定の発話スタイルや言語）や歌声（特定の歌唱スタイル）に特化したモデルとなっている点とパラメータ推定のために計算コストの高い反復アルゴリズムを要する点が挙げられ，これらが用途を限定的にしている．本稿では，深層生成モデルに基づき，音声?歌声に特化しないF_0 パターンの普遍的な生成過程モデルとその内部パラメータを高速かつ高精度に推定するアルゴリズムとを学習により同時に発見することを可能にする方法論を提案する．