世木 寛之

大規模な音声データベースから音声データを選択して接続する波形接続型音声合成が提案されている．この音声合成方式で利用される大規模音声データベースは，音韻バランスなどを考慮して選定された文章を，音声合成に適した話速やスタイルで読み上げることで作成されることが多い．一方，放送局では過去に放送された番組が大量に保存されているため，これらを音声データベースとして利用することが考えられる．本研究では，ニュース番組の収録音声を，波形接続型音声合成システムの音声データベースとして利用することを試みた．高い頻度で音声データベースに存在する音素列を，前後の音素環境を考慮して抽出した"音素環境依存音素列"を探索単位として合成音を作成し，5段階のオピニオン評価実験を行った結果，MOSは4.01となり，「不自然な部分はあるが気にならない」という自然性を持つ合成音が得られた．特に，全体の39.8%が5の「自然である」と評価され，自然音声と変わらない品質の合成音がかなりの頻度で作成されていることが分かった．次に，目標スコアを用いた場合と，用いない場合の合成音とを比較したところ，MOSの差は0.18となり，音声データベースの発話内容と合成する文が類似している場合には，必ずしも韻律予測せず目標スコアを考慮しなくても，自然性の高い合成音を作成できる可能性が示された．Proposals have been made to implement a system that generates synthesized speech by concatenating segments of speech stored in large databases. While these databases are often created by recording sentences with a specific phonetic balance, read at a rate and in a style that are optimal for speech synthesis, this paper explores an alternative method of database creation, one that utilizes broadcast materials archived in networks. In our study, we used samples of recorded speech from news programs to create a speech database. An assessment of speech generated by the speech synthesis method using "context dependent phoneme sequences" as search units yielded the mean opinion score (MOS) of 4.01 in a one-to-five-scale rating. Overall, the samples were considered "somewhat unnatural but not bothersome." In particular, 39.8% of the entire samples scored 5.0, demonstrating their highly natural-sounding quality. In addition, we compared the evaluation on "synthesized speech with target scores" and that on "synthesized speech without target scores." The difference of MOS was 0.18. This result confirmed that prosody prediction or target scores are not necessarily required to create synthesized speech of natural-sounding quality when the content of input sentences is similar to the content of sentences stored in the database.

波形接続型音声合成に複数話者の音声データを併用できれば,データベースの不足を補うことができ,有用であると考えられる.その基礎調査として,特定話者の音声中の音素を他話者の音素で代用できるかを調べるため,連続音声中の/CVC/環境の母音または長母音を他話者24名の同音素で置換し,音質の自然性を評価した.その結果,24名中の特定の3名で特に自然性が高く,その他の話者についても,置換箇所の音素時間長が短いか平均F0が低ければ自然性が高い傾向があった.さらに,実験から得られた評価値とスペクトルの関係を検討した結果,評価値と相関のある周波数帯域は主に3つに分かれること,スペクトルの包絡のpeakまたはdipと評価値との関係性が示唆された.

従来,音声合成システムで利用される大規模音声データベースは,音声合成用に読み上げ文章を選定し,読み上げる速度や,読み方などを指定して,後で合成しやすいように調整して収録することが一般的であった.一方,放送局ではそのような人工的に作られたものではないが,過去に放送された番組が多量に保存されている.そこで,本稿では,多量のニュース番組の音声を音声データベースとして利用する場合において,その膨大な音声データベースの効率的な探索を行うため,単語とクラスタリングされたトライフオンによる探索を提案する.対比較実験を行った結果, 71%の音声で,提案法が音素を探索単位とした従来法に比べ自然であると評価された.また,自然性に関する5段階の絶対評価実験では,平均で原音声の4.7に対し2.6を示した.

This paper proposes a method of constructing acoustic models from training data clustered in two stages. The first stage generates cluster models from small-scale training data gathered form a target task. The second stage clusters a large-scale database based on the cluster models. In decoding, the best acoustic model is selected from all the acoustic models based on the GMM likelihood using some initial frames of an input utterance. Broadcast news transcription experiments showed that the proposed models achieved a word error reduction of 20% and a processing time reduction of 22%, compared with a non-clustered model.

本研究では音声認識における新たな動的特徴量の計算法を提案する。提案法では，１）動的特徴量の推定に用いる静的特徴量の時間分解能を上げ，２）動的特徴量の推定時間をフレーム感覚の整数倍に拘束されることなく任意に設定可能とした。提案法をニュース番組で発声される音声の認識実験によって評価したところ，特徴量を推定する時間を適切に選べば，認識率の改善が見られることが分かった。単語正解精度でみた誤認識改善率は，雑音を含むニュース文の評価セットで24％と効果が大きかった。全体での誤認識改善率は6.5％であった。A new method for estimating dynamic features used in speech recognition is proposed. The proposed method involves: 1) increasing time resolution of static features used for dynamic feature estimation, 2) relaxing the restriction that estimation span must be an integer multiple of frame shift, and making the estimation span arbitrary. Evaluating the proposed method with a broadcast news testset, word accuracy improved by selecting appropriate estimation span. Error reduction rate in word accuracy was up to 24% relatively in noisy news speech. The overall error reduction rate was 6.5% relatively.

本研究では音声認識における新たな動的特徴量の計算法を提案する.提案法では, 1)動的特徴量の推定に用いる静的特徴量の時間分解能を上げ, 2)動的特徴量の推定時間をフレーム間隔の整数倍に拘束されることなく任意に設定可能とした.提案法をニュース番組で発声される音声の認識実験によって評価したところ, 特徴量を推定する時間を適切に選べば, 認識率の改善が見られることが分かった.単語正解精度でみた誤認識改善率は, 雑音を含むニュース文の評価セットで24%と効果が大きかった.全体での誤認識改善率は6.5%であった.

当研究所ではニュース番組の自動字幕化を目的として、音声認識の研究を行っている。ニュースの音声には、現場からの中継や海外からの報告など、様々な雑音が混入した音声があり、雑音が存在しても良好に音声を認識できる技術が必要となる。本報告では、フィルタバンク上で各帯域ごとに独立に雑音成分を除去するフィルタバンク・サブトラクションを提案する。提案手法は、各帯域ごとに、雑音の推定値として過去の一定区間における出力の最小値を使用し、位相とS/N比を考慮して雑音成分を引き去るものである。人工的に雑音を付加した音声および実際の中継音声を対象とした認識実験で、提案手法は従来手法よりも良好な結果を得た。

ニュース番組に対する自動字幕放送の字幕付与率向上を目的とした適応音響モデル作成法を提案する.提案手法では, 大規模学習音声データベースから適応データを選択する方法として, GMMを用いた2段階クラスタリングを行い, クラスタごとに適応音響モデルを作成する.本手法を用いて, 4つのニュース番組1日分の認識実験を行った結果, クラスタ数を12としたときに最大の効果が得られ, 本手法を用いないベースラインに比べ, 33%のWER削減率, 25%のデコード所要時間削減率が得られた.また, 音響モデルの決定に使用する入力音声を文頭の0.4秒に制限してもモデル選択精度が変わらなかった.この場合, 認識に使用する音響モデルの決定に必要となる時間を考慮した全体の所要時間でも18%の削減率が得られた.

ニュース番組などの生放送番組に自動的に字幕を付与することを目的に、大語彙音声認識の研究を行っている。これまで、主にスタジオ内でのアナウンサーによる原稿読み上げ部分を対象に研究を行ってきた。しかし、ニュース番組全体に字幕を付与することを目的にすると様々な音響条件の音声が存在する。例えば、アナウンサー以外の話者も認識対象となる。音響環境的には、中継現場からの背景雑音や、オープニング・エンディングなどの背景音楽の含まれた音声も対象になる。本報告では、ニュース番組全体を認識し音響的な条件がどのように認識精度に影響を与えるか調査し、発話者の違いによって認識率の差が得られたので報告する。