A robust modeling technique against training data errors for HMM-based singing voice synthesis

1 名古屋工業大学 Nagoya Institute of Technology a) mushika@sp.nitech.ac.jp た歌声データから,音色を表すスペクトルや音高を表す基 本周波数,音の長さを表す継続長などの歌声の特徴を抽出 し HMMによってモデル化する.通常,音声は音素単位で モデル化されるが,音符の高さや長さ,テンポや強弱記号 などの楽譜情報を考慮することで,より精度の高いモデル 化を行う.合成時には,与えられた楽譜に従ってモデルを 連結し,動的特徴量を考慮してパラメータを生成すること で,歌声を生成する.HMM歌声合成は,素片接続に基づ く合成手法にはない以下のような特徴を持つ. ( 1 ) 与えられたデータに基づいてモデルを自動学習する ため,声質だけでなく,プレパレーションやオーバー シュートなどの基本周波数の変化や,前のりや後のり などの音符に対する発音タイミングの変化といった歌

[1]  Yoshihiko Nankaku,et al.  Pitch adaptive training for hmm-based singing voice synthesis , 2014, 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP).

[2]  Heiga Zen,et al.  Speech Synthesis Based on Hidden Markov Models , 2013, Proceedings of the IEEE.

[3]  Heiga Zen,et al.  Hidden Semi-Markov Model Based Speech Synthesis System , 2006 .

[4]  Hideki Kawahara,et al.  Restructuring speech representations using a pitch-adaptive time-frequency smoothing and an instantaneous-frequency-based F0 extraction: Possible role of a repetitive structure in sounds , 1999, Speech Commun..

[5]  Keiichi Tokuda,et al.  Hidden Markov models based on multi-space probability distribution for pitch pattern modeling , 1999, 1999 IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings. ICASSP99 (Cat. No.99CH36258).

[6]  Naonori Ueda,et al.  Deterministic annealing EM algorithm , 1998, Neural Networks.

[7]  Keiichi Tokuda,et al.  Speaker interpolation in HMM-based speech synthesis system , 1997, EUROSPEECH.

[8]  D. Rubin,et al.  Maximum likelihood from incomplete data via the EM - algorithm plus discussions on the paper , 1977 .

[9]  B. Juang,et al.  Context-dependent Phonetic Hidden Markov Models for Speaker-independent Continuous Speech Recognition , 2008 .

[10]  Hideki Kenmochi,et al.  VOCALOID - commercial singing synthesizer based on sample concatenation , 2007, INTERSPEECH.

[11]  Junichi Yamagishi,et al.  Average-Voice-Based Speech Synthesis , 2006 .

[12]  T. Masuko.  Speech synthesis from HMMs using dynamic features , 1996 .

[13]  Steve J. Young,et al.  Tree-Based State Tying for High Accuracy Modelling , 1994, HLT.