End-to-End音声処理の概要とESPnet2を用いたその実践

摘要

深層学習の発展に伴い，音声処理の分野でも，すベての処理をニューラルネットワークのみで完結させるEnd-to-End(E2E)アプローチが有力な選択肢のーつとなりつつある。音声認識(ASR)の分野では，大規模コーパスを利用したベンチマークにおいて，従来のニューラルネットワークと隠れマルコフモデル(HMM)のハイブリッドシステム(DNN-HMM)を上回る性能が報告されている。テキスト音声合成(TTS)の分野でも，WaveNetに代表されるニューラルボコーダを活用することで，人間の発話と同等の品質の読み上げ音声の生成が実現されている。更に驚くべきことに，計算機能力の向上やモデルの改良により，スマートフォンなどの小型デバィス上でのE2E音声処理モデルの利用が実用化しつつある。