ベイズ音声合成における 事前分布とモデル構造の話者間共有 橋本 佳，南角 吉彦，徳田 恵一 名古屋工業大学
背景 統計モデルに基づく音声合成 全話者に共通した音響的特徴 事前分布とモデル構造の話者間共有 尤度最大化（ML）基準による音声合成 ベイズ基準による音声合成 [Hashimoto et al., ’08] 全話者に共通した音響的特徴 Speaker Adaptive Training (SAT) [Anastasakos et al., ’97] Shared Tree Clustering (STC) [Yamagishi et al., ’03] Universal Background Model (UBM) [Reynolds et al., ’00] 事前分布とモデル構造の話者間共有 複数話者の学習データから効率良くモデルを学習
ベイズ基準による音声合成（1/3） モデル学習・音声合成 ML Bayes 学習 合成 学習・合成 : 合成データ : 合成データのラベル列 : 学習データ : 学習データのラベル列 : モデルパラメータ
ベイズ基準による音声合成（2/3） モデル構造を表す隠れ変数の導入 事後確率に基づくモデル構造選択 単一のモデル構造による近似予測分布 : モデル構造
ベイズ基準による音声合成（3/3） 予測分布（周辺尤度関数） 変分ベイズ法 [Attias, ’99] : 合成データの状態系列を表す隠れ変数 : 学習データの状態系列を表す隠れ変数 : 合成データの尤度関数 : 学習データの尤度関数 : モデルパラメータの事前分布 変分ベイズ法 [Attias, ’99]
変分ベイズ法 近似事後分布推定法 ⇒ 対数周辺尤度の下限 の最大化による推定 Jensen’s inequality : 近似事後分布 ⇒ 対数周辺尤度の下限 の最大化による推定 Jensen’s inequality : 近似事後分布 : ハイパーパラメータ ： に関する期待値計算 : モデル構造
複数話者の同時モデル化 全話者に共通した音響的特徴 複数話者の同時モデル化 全話者の学習データを効率良く利用 モデル推定精度の改善 SAT, STC, UBM, etc… モデル推定精度の改善 複数話者の同時モデル化 : 話者 : ハイパーパラメータ : モデル構造 モデル構造と事前分布の話者間共有
ベイズ基準による共有決定木クラスタリング（STC） モデル構造の話者間共有 下限の和の最大化による共有モデル構造の選択 Is this phoneme a vowel? yes no リーフノード 分割停止条件: : 各話者の事後分布 ベイズ基準による共有決定木クラスタリング（STC）
事前分布の設定 共役事前分布 学習データを用いた事前分布設定 複数話者の学習データを事前データとして利用 ⇒ 不特定話者事前分布 出力確率分布 事前分布 : ハイパーパラメータ : 事前データのデータ量 : 事前データの平均 : 事前データの分散 : 調整パラメータ
事前分布の話者間共有 下限の和の最大化による共有事前分布の推定 各話者の事後分布を考慮した事前分布推定 話者正規化学習 ⇒ 話者正規化事前分布 事前分布と事後分布が相互に依存 ⇒ 勾配法 : 各話者の事後分布 : 共有事前分布
実験条件 話者 男性話者5人 学習データ 各話者450文 テストデータ 各話者53文 サンプリング周波数 16 kHz 窓関数 Blackman 窓 フレームサイズ / シフト 25 ms / 5 ms 特徴量 24次 メルケプストラム + Δ + ΔΔ 対数基本周波数 + Δ + ΔΔ 音響モデル 5状態 left-to-right HSMM
比較手法 ベイズ音声合成における共有方法の比較 モデル構造 事前分布 SD Tree ○ Prior △ Tree-Prior （不特定話者事前分布） ※話者間共有されていない Tree-Prior Tree-SAT （話者正規化事前分布）
実験結果 主観評価実験による自然性の評価
むすび 事前分布とモデル構造の話者間共有 今後の課題 全話者に共通した音響的特徴を利用 主観評価値の大幅の改善 様々な実験条件での比較実験 頑健なモデル構造の選択 適切な事前分布の設定 主観評価値の大幅の改善 話者間共有手法の有効性を確認 今後の課題 様々な実験条件での比較実験 話者選択手法の検討