基于模型编辑的特征声音合成以生成说话人-计算机科学-语音合成-说话人生成.pdfVIP

基于模型编辑的特征声音合成以生成说话人

MasatoMurata,KoichiMiyazaki,TomokiKoriyama,TomokiToda

CyberAgent,Japan

NagoyaUniversity,Japan

murata_masato@cyberagent.co.jp,miyazaki_koichi_xa@cyberagent.co.jp,

koriyama_tomoki@cyberagent.co.jp,tomoki@icts.nagoya-u.ac.jp

Abstract成未见说话人的语音。然而，这种方法需要参考语

音，这并非总是可用。换句话说，它在生成“真正

说话人生成任务旨在在没有参考语音的情况下创

未见过”的说话人的声音方面存在困难。相比之

建未见过的说话人的声音。该任务的关键在于定

下，有一个称为“说话人生成”的任务旨在无需参

义一个表示多样化说话人的说话人空间，以确定

考语音的情况下生成多样化的声音[1]。在说话人

生成的说话人特征。然而，有效定义这个说话人

生成任务中，定义一个能够代表多样化说话人的

空间的方法仍然不清楚。Eigenvoice合成是传统

本说话人空间是必要的，以确定要生成的说话人特

参数合成框架（如基于HMM的方法）中的一种

译征。然而，如何有效定义这个说话人空间仍然不清

有前景的方法，它使用预存储的说话人特征来定

中楚，并且几项早期研究已经探索了各种方法。

义一个低维的说话人空间。本研究提出了一种通

1特征声音合成[2]是定义低维度说话人空间的

v过模型编辑实现的新颖DNN基础Eigenvoice合

7成方法。与先前的方法不同，我们的方法在DNN说话人生成任务方法之一，使用预存的依赖说话

7人的表示。然后，这个说话人空间由从多个预存说

3模型参数空间中定义了一个说话人空间。通过在

3话人的依赖表示中提取的基向量张成（称为基准

0这个空间中直接采样新的DNN模型参数，我们可

.说话人）。在这个创建的说话人空间中，任意说话

7以创建多样化的说话人声音。实验结果表明了我

0们方法生成多样化说话人语音的能力。此外，我人特性被表示为基础向量的加权和形式。这些基

5向量被称为“特征声”，它们相互正交，并表示基

2们在所创建的说话人空间中发现了一条性别主导

:础说话者中的主导成分。这种特征声方