[4I2-GS-7c] 画像音声メディア処理：音声認識と指示理解

[4I2-GS-7c-02] StarGAN-VCを用いた話者非依存音響特徴量抽出と二重分節解析への応用

〇小村 漱一朗¹、林 楓¹、谷口 彰¹、谷口 忠大 ¹、亀岡 弘和² (1. 立命館大学、2. NTTコミュニケーション科学基礎研究所)

キーワード：二重分節構造解析器、StarGAN-VC、Neuro-SERKET、教師なし学習

教師なし学習によって連続的音声から音素および語彙の獲得を行う手法の一つに二重分節構造解析器 (Nonparametric Bayesian double articulation analyzer: NPB-DAA) がある．NPB-DAAでは音響特徴量の話者依存性は複数話者からなる音声データセットの学習において問題とされる．本研究の目的はStar generative adversarial network for voice conversion (StarGAN-VC) を話者非依存音響特徴量の抽出を行うモデルとして活用し，Neuro-SERKERTを用いたNPB-DAAとStarGAN-VCの相互学習による最適化が可能な統合モデルの構築を行うことである．NPB-DAAとStarGAN-VCの統合モデルにおける相互学習の有効性について実験を通して検証を行った．