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rnと深い関係がある. 例えば，話者は，発話文の語尾のrnF_0 パターンを変化させることで疑問文を表現し，F_0rnパターンのダイナミクスを変化させることで意図やrn感情を表現する. また，歌声においても，メロディやrn情感，個人性を表現するために，歌唱者はF0 パターrnンを変化させる. F_0 パターン生成過程のモデル化は，rn表現豊かな音声・歌声合成や対話システム，話者・感rn情認識などの実現に極めて有効である.rn話し声のF_0 パターン生成過程のモデルとしては，rn喉頭による声帯の制御機構を模擬した物理モデル（通rn称「藤崎モデル」） とそのパラメータを統計的手rn法により推定することを可能にする藤崎モデルの確rn率モデル版 が提案されている．藤崎モデルは歌声rnには当てはまらない仮定をいくつか置くため，そのまrnまの形では歌声のF_0 パターンに適用することはできrnないが，藤崎モデルを歌声の特徴に合わせて適応したrnいわば藤崎モデルの歌声版も提案されている．rnこれらのモデルでは，F_0 パターンを直感的かつ解釈rn可能な生成過程パラメータ（藤崎モデルではフレーrnズ成分やアクセント成分，歌声モデルでは楽譜情報まrnたはメロディ成分や表現成分に相当）により記述し，rn所与のF_0 パターンからこれらを推定することで話しrn声や歌声の特徴を保持したまま自由にF_0 パターンをrn加工したり変換したりすることを可能とする．しかrnし，これらのモデルで共通する問題として，それぞれrn話し声（特定の発話スタイルや言語）や歌声（特定のrn歌唱スタイル）に特化したモデルとなっている点とパrnラメータ推定のために計算コストの高い反復アルゴrnリズムを要する点が挙げられ，これらが用途を限定rn的にしている．rn本稿では，深層生成モデルに基づき，音声・歌声にrn特化しないF_0 パターンの普遍的な生成過程モデルとrnその内部パラメータを高速かつ高精度に推定するアrnルゴリズムとを学習により同時に発見することを可rn能にする方法論を提案する．