オーディオブックを用いた表現豊かな音声合成のための言語特徴の検討

摘要

統計的パラメトリック音声合成において，表現豊かな音声を合成するために様々な研究が進められている．表現豊かな音声を合成するためには，学習データとして多様な発話スタイルを含む音声データが必要となる．本稿では，様々な発話スタイルを持つ音声データが含まれるオーディオブックを学習データとして，表現豊かな音声を合成するシステムの構築を目指す．従来の音声合成システムで使用されている言語特徴は，オーディオブックのような多様な発話スタイルを含む音声データを考慮した設計がなされていないため，様々な発話スタイルを表現することが難しい．そこで本稿では，表現豊かな音声の合成を実現するために，1）文単位以上の言語特徴，2）会話文と地の文の発話スタイルを表現するための言語特徴，3）構文解析に基づいた言語特徴の3つの言語特徴を提案する．Blizzard Challenge 2016で使用された英語の子供向けオーディオブックを用いて音声合成システムを構築し，自然性に関する主観評価実験を行った．