DNNに基づく話し言葉音声合成における追加コンテキストの効果

摘要

ディープニューラルネットワーク（DNN）に基づく音声合成では，パラ言語，非言語情報を追加することで，読み上げ音声よりも自発性の高い音声を再現できる．本稿では，日本語話し言葉コーパス（CSJ）に付与されている豊富なアノテーションを利用して，DNNに基づく話し言葉音声合成におけるパラ言語的，非言語的特徴量の効果を評価する．実験では，パラ言語的情報を付加することで，より高い再現性で話し言葉音声を合成できることを示す．