話者コードを用いたDNN音声合成における話者適応手法の検討

摘要

本論文では，DNNに基づくテキスト音声合成の話者適応手法にづいて，従来提案されている手法間の性能を比較するため，客観評価実験を行う．1つの話者適応手法は，話者コードを中間層に入力することで，話者の特徴をモデル化する手法である．目標話者の話者コードを再推定するモデル適応手法の他に，話者コードから中間層への回帰関数を再推定する適応手法を我々は過去に提案している．もう1つの話者適応手法は，話者依存出力層を用いた手法であり，DNNの全中間層を話者間で共有し，話者ごとに異なる出力層を持つDNNを使用する．話者適応時には，目標話者に対応する出力層の回帰パラメータが再推定される．これらの話者適応手法はこれまで同一実験条件下で比較されておらず，モデル構造や適応時に再推定されるパラメータ数等の差異が，どのように性能に影響するかは明らかでない．本研究は，35名の話者からなる音声コーパスを使用した話者適応実験を行い，客観評価により各話者適応手法の性能を比較した．実験結果から，話者コードに基づく手法では，適応パラメータ数が大きいモデルの性能が高い傾向が確認された．また，話者コードに基づく手法は，適応パラメータ数が十分大きい場合，話者依存出力層を用いた手法と性能が同程度であることが明らかとなった．