DNN音声合成における感情付与のためのモデル構造の検討

摘要

DNN音声合成は，従来のHMM音声合成に比べ，より自然な音声が合成可能であることが示されている．また，HMM音声合成では合成音声を多様化するために感情付与の手法が研究されている．しかし，DNN音声合成においても感情付与が可能であるかは明らかでない．そこで，DNNに基づく音声合成システムの表現力を向上させる方法として，本報告では感情付与のためのDNNのモデル構造を検討した．感情付与のためのモデル構造として，次の3種類を比較した．すなわち，（1）parallel Model：出力層が話者依存の層と感情依存の層からなる構造，（2）Serial Model：話者依存の層から感情依存の出力層へと伝播する構造，（3）Auxiliary Input Model：言語特徴量ベクトルと同様に話者IDと感情IDを入力する構造，の3種類である．話者24名の平常音声と話者24名中の5名の喜びと悲しみの音声により学習を冶こなった．客観評価実験と主観評価実験により，各モデル構造を比較した．実験の結果，学習データに平常音声しかない話者の声質で感情音声を合成する場合，Parallel ModelがSerial Modelよりも良く，Auxiliary Input Modelよりもわずかに良いことが明らかとなった．また，学習データ中に感情音声を含む話者の声質で感情音声を合成する場合，Serial Modelが最も良い性能を示した．