平成18年度 中間発表会.pptVIP

July 25, 2006 平成18年度 中間発表会 HMM 音声合成の統計モデル 北村? 桜井? 平野 研究室 B４ 奥村 健太 音声合成とは 機械に人間が話すような言葉を喋らせること 応用例 対話型ロボット 各種ナビゲーションシステム…など 機械と人間のコミュニケーションを円滑化 音声合成の最終的なゴール 人間が話すような自然な音声を任意に生成すること 肉声に近い音質 自然なアクセント、イントネーション、リズムの実現 音声合成の代表的手法 単位選択型 比較的自然な音声の合成が可能 膨大なデータベースが必要 音声単位間で接続歪みが発生 HMM (隠れマルコフモデル) による音声合成 多様な音声の合成が比較的容易に実現可能 イントネーションや音色の自由度が高い 音声の個人性や感情の反映が容易 合成音声に単位選択型ほどの自然性はない HMM 音声合成システム 学習部と合成部に分類 学習部 合成部 HMM 音声合成の統計モデル 従来法と提案法の差異 むすび 現在の状況 テーマの方向性についての検討 音声合成システムに親しむ 各種親しむ課題への取り組み これに関連する文献からの知識の取り込み F0 ポストフィルタの作成 基本周波数のデータにフィルタをかけ合成音声の明瞭化を図る 今後の展望 研究についての詳細は未定 現在取り組んでいる課題の結果も加味し方向性を検討 音声合成に親しむ課題 学習文章データ数による合成音声の音質変化 HMM とは Hidden Markov Model (隠れマルコフモデル) 時系列のデータの表現に適した確率モデル 音声認識や音声合成を含む自然言語処理、映像処理などに応用 マルコフモデルの概念を拡張 マルコフモデル 観測系列から状態系列を特定可能 隠れマルコフモデル 観測系列から状態系列を特定不可能 HMMの用例 マルコフモデル 隠れマルコフモデル * * 図1: HMMからのパラメータ生成に基づく音声合成システム 音声分析手法により特徴パラメータを抽出 モデルを作成 学習されたモデル 合成フィルタにより音声を合成 図2: 対角共分散と全共分散のイメージ 音声の学習 モデルパラメーター 平均ベクトル 共分散行列 ● : 従来法 対角共分散 対角線上のデータのみ使用しそれ以外のデータは無視する ● ＋ ● : 提案法 全共分散 全てのデータを使用するため特徴ベクトルの次元間の相関に損失がない 共分散行列 N次正方行列 で表される 文章数: 450 文章数: 50 「平均倍率を下げた形跡がある．」 図3: 隠れマルコフモデル (left-to-rightモデル) 好調?不調の各状態を定義した試合の勝負 0.8 0.2 S2 (不調) 0.3 0.7 S1 (好調) S2 (不調) S1 (好調) t 　　　　 t+1 0.8 0.2 P2 (負) 0.3 0.7 P1 (勝) S2 (不調) S1 (好調) 図4a: マルコフモデル 表1a: 遷移確率 図4b: 隠れマルコフモデル 表1b: 出力確率 好調なら必ず勝つ 不調なら絶対勝てない 好調なら70%勝つ 不調でも30%勝てる HMMによる音声合成システムの概要を解説。 学習部と合成部に分かれている。学習は一度のみ。 学習部：音声分析手法により抽出された特徴パラメータを用いてモデルを作成 合成部：学習されたモデルを用いて合成フィルタにより音声を合成 発言内容は大体スライドそのまま。 現在一般的に用いられている手法には、単位選択型音声合成が挙げられる。 これは、基本的には録音された音声の断片を連結することにより、高品質な音声を合成する方法である。 一般に連結的合成は最も自然な合成音声になるとされており、限られた話者による読み上げ調の音声合成に限定すれば先に述べた音声合成のゴールにはかなり近づくことが可能であるが、任意の話者性や感情、発話スタイルを考慮した多様で表情豊かな音声合成の実現を考えた場合、無数に存在する個人の条件に対応する大量の音声データの収集および管理という、現実的に不可能な問題があり、このゴールはかなり遠のく。また、発声のバリエーションと波形の断片化の細かさによっては出力音声に欠損が生じ、自然さを損なうことがあるという、これもある種不可避な問題も抱えている。 それらの問題点を解決しうる方法として挙げられるのが、HMMによる音声合成である。イントネーションや音色の設定に関して自由度が高く、任意かつ多様な音声の合成が比較的容易に可能である。つまり音声データ提供者の個人性、更には発話様式が合成音声によく反映されるものであると言える。