首页> 外文期刊>電子情報通信学会技術研究報告 >音声の構造的表象に基づく異言語間・異話者間の音声変換手法
【24h】

音声の構造的表象に基づく異言語間・異話者間の音声変換手法

机译:基于语音结构表示的不同语言与不同说话者之间的语音转换方法

获取原文
获取原文并翻译 | 示例

摘要

音声は話者の声道形状の特性や音響機器の特性などの非言語的特徴によって変形するが,この非言語性の変形に対して凡そ不変な音声の構造的表象が提案されている.これは音声の物理的実体を捨象し,その音響空間内での相対的な動きのみを捉えた物理表象である.また,この構造的表象に基づく音声合成の枠組みが提案されている.この枠組みでは音声を発話内容(語形)と発話者の身体性とに分離して捉え,語形に対して発話者の身体性を付与する(戻す)形で音声を生成しており,幼児の音声模倣をモデル化したものといえる.本研究では,この音声合成系の対象を複数の言語に拡張し,任意の話者性と任意の言語性を独立に処理できる音声合成系を検討する.即ち,語学教師によって発声された日英ニケ国語の音声を網羅する構造的表象に対して,日本語母語話者の身体性を日本語を通して付与することで,未修得言語の語形を音声として実体化することを検討する.この合成系による合成音声の評価を行うとともに,異なる条件下で合成した音声同士の比較を行い,合成手法の改善についても考察する.%Speech acoustics easily vary due to non-linguistic factors such as speaker differences and microphone differences. The authors already proposed a structural representation of speech, where these variations can be effectively removed. This representation discards absolute and static properties of speech events and captures only their relative and dynamic features. Recently, a new framework of speech synthesis based on this structural representation has been proposed. Here, an utterance is characterized by two separate attributes, speaker-independent speech form and speaker-dependent embodiment features found in that utterance. On this framework, a new utterance is generated by realizing a given speech form acoustically and this realization is enabled by providing speaker-dependent embodiment features. This generation process can be viewed as implementation of infants' vocal imitation on a machine. In this report, based on this structural representation, cross-speaker and cross-language voice conversion is implemented. A speaker's two utterances of Japanese and English are modeled as a single speech form. By providing another speaker's Japanese utterance of the same content, the English utterance of that speaker will be generated using the speech form. In this report, the performance of the proposed method is evaluated and its problems arernalso made clear.
机译:语音是通过非语言特征(例如扬声器的声道形状特征和音频设备的特征)进行转换的,并且已经提出了几乎与该非语言转换几乎不变的语音结构表示。这是一种物理表示形式,它消除了语音的物理实质,仅捕获了其在声学空间中的相对运动。另外,已经提出了基于该结构表示的语音合成框架。在此框架中,语音被分为发声内容(单词形式)和说话者的身体状态,并且语音以将说话者的身体状态添加(返回)到单词形式的形式生成。可以说,这是模仿的典范。在这项研究中,我们将这个语音合成系统的目标扩展到多种语言,并研究了可以独立处理任意说话者特征和任意语言特征的语音合成系统。换句话说,通过将日语的母语使用者通过日语添加到覆盖语言老师说出的日语和英语国籍的声音的结构表示中,未习得语言的单词形式实质上是语音。考虑做到这一点。除了通过该合成系统评估合成语音外,我们还比较了在不同条件下合成的语音,并考虑了合成方法的改进。由于非语言因素(例如说话者差异和麦克风差异),语音声学很容易发生变化。作者已经提出了语音的结构表示形式,可以有效地消除这些变化,这种表示形式放弃了语音事件的绝对和静态属性,仅捕获了最近,有人提出了一种基于这种结构表示的语音合成新框架。这里的话语具有两个独立的属性,即独立于说话者的语音形式和在说话者中发现的依赖说话者的具体体现特征。在此框架上,通过以声学方式实现给定的语音形式会产生一种新的发声,并且通过提供与说话者相关的具体实施方式功能可以实现这种发声,这种产生过程可以看作是婴儿在机器上模仿语音的实现。基于这种结构表示,跨说话者和跨语言实现语音转换,将说话者的日语和英语两种发音建模为单个语音形式,通过提供另一位说话者具有相同内容的日语发音,将使用该语音形式生成该说话者的英语发音。对所提方法的性能进行了评估,并指出了存在的问题。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号