［ポスター講演］読み上げ音声を利用したニューラルネットワークに基づく歌唱者非依存歌声変換の検討

摘要

従来の声質変換手法は元話者の音声を用いた事前学習が必要であるという問題点がある．我々はこれを解決する手法として，複数の元話者と目標話者間で多対一マッピングを行うニューラルネットワークを用いることで任意の入力話者の話者性を特定の目標話者へ近づける手法を提案した．さらにこの手法では，変換に差分スペクトルフィルタを用いることでより自然性の高い変換音声が得られる．この研究では読み上げ音声の変換を対象として評価しているが，カラオケなどへの応用を考えると歌声の変換についても検討する必要がある．提案手法を歌声変換に適用する際に，本来であればニューラルネットワークの学習に歌唱音声を用いることが妥当であると考えられるが，そのためには学習に用いる大量の歌唱者のパラレルな歌唱音声の収録が必要となり，読み上げ音声と比較して非常にコストが高い．そこで本稿では，読み上げ音声を学習に利用したニューラルネットワークに基づく歌唱者非依存歌声変換について検討する．評価実験により，学習に歌唱音声を用いた歌唱者依存の手法より自然性の高い変換歌唱音声が得られること，複数の歌唱者から単一の目標歌唱者への多対一変換が行えることを示す．