音声生成過程を考慮したWaveNetに基づく音声波形合成法

摘要

我々は最近新たに提案されたニューラルネットワークであるWaveNetを援用することで，既存のソースフィルタモデルに課された種々の制約を解消する，音声波形を直接モデル化可能な新たなボコーダの実現を目指す．本研究では，ボコーダの音響パラメータをWaveNetの入力補助特徴量に用い，音声波形を合成する手法を提案する．これらパラメータは音声の生成過程を考慮して抽出されることから，補助特徴量として効果的に働くことが期待される．実験ではメルケプストラムボコーダのパラメータを対象とし，合成音声の品質をSNR（Signal-to-Noise Ratio）とSDR（Signal-to-Distortion Ratio）の2つの指標によって客観的に評価した．実験の結果，SNRについて有意な改善を得たことから，提案法の有効性が確認された．