Deep Neural Networkを用いた話者空間基底への射影による声質変換

摘要

本研究では，入出力に任意話者を用いることのできる柔軟な声質変換を目的とし，Deep Neural Network （DNN）とEigenvoice GMMs（EVGMM）の枠組みを組み合わせた変換手法を提案する．初めに大規模話者コーパスを用いてEVGMMの学習を行い，GMMの話者空間の基底ベクトル群を得る．EVGMMにおいては，この基底ベクトル群に対して目的話者に固有の重みベクトルを掛けることで目的話者のGMM平均ベクトルを決定する．提案手法では，重みベクトルとして1-of-K表現ベクトルを用いることで，話者空間を張る基底話者群のGMMを近似する．近似したGMMによって大規模コーパス中の各話者の特徴量を基底話者群の特徴量へ分解することができる．これらを用いることでDNNによって「ある話者の特徴量から基底話者群の特徴量への変換」と「基底話者群の特徴量から目的話者への変換」在の学習をそれぞれ行う．提案手法に対して，適応データ数に対する未知話者への変換精度の客観評価を行った結果，既存手法であるEVGMMを上回る精度が得られた．