任意話者の多様なスタイル生成のための話者正規化スタイル変換法の検討

摘要

本稿では目標話者の読上げ音声のみから所望のスタイルの音声を合成する不特定話者スタイル変換において，学習に使用した複数話者間の音響的差異による変換性能の低下を抑えるため，話者正規化学習の枠組みを変換行列の推定に導入する．不特定話者スタイル変換では，あらかじめ用意した複数話者の読上げおよび目標スタイルの音声を用いて読上げスタイルから目標スタイルへの変換行列を求め，これを目標話者の読上げスタイルのモデルに適用することで，目標話者の目標スタイルのモデルを生成する．しかし，変換行列の推定に用いる話者のスペクトル·韻律特徴が話者間で大きく異なる場合，この影響でスタイル変換において自然性が劣化してしまう．そこで提案法では，変換行列の推定の際に各話者の特徴量に対し話者適応に基づく話者正規化を行うことでこの問題を低減する．客観および主観評価にて，話者正規化が自然性改善に有効であることを示す．