Authors

• Ryo Terashima
• Ryuichi Yamamoto
• Kentaro Tachibana

Abstruct

　特定話者の数千発話のデータを用いて，高品質なテキスト音声合成 (text-to-speech; TTS) を実現することが可能である．その一方，数千発話規模の音声収録やアノテーションにかかるコストは大きい．本稿では，対象話者 (Speaker B) の少量のデータから TTS モデルを構築するために，他話者 (Speaker A) とのデータ間で声質変換 (voice conversion; VC) を行い，対象話者のデータを拡張する方式の検討を行った．
　主観評価の結果，対象話者 5,000 発話で学習したモデルに対し，自然性評価では，対象話者 500 発話を用いてデータ拡張したモデルが匹敵する結果となり，話者類似性評価では，対象話者 2,500 発話を用いてデータ拡張したモデルが匹敵する結果となった．

Subjective Evaluation

Models

Model	Type	VC Training [utts]	TTS Training [utts]
Natural	Recorded audio (Speaker B)	-	-
VC Source	Recorded audio (Speaker A)	-	-
TTS:500	TTS	-	500(Rec)
TTS:5000	TTS	-	5000(Rec)
TTS:500+VC4500	TTS with VC data augmentation	500:500(Rec)	500(Rec)+4500(VC)
TTS:2500+VC2500	TTS with VC data augmentation	2500:2500(Rec)	2500(Rec)+2500(VC)

• VC: Scyclone [1]
• TTS: FastSpeech 2 [2]
• Vocoder: Harmonic-plus-noise Parallel WaveGAN [3]

5-Point MOS Results on Naturalness

• Female
  
• Male
  

4-Point MOS Results on Similarity

• Female
  
• Male
  

Audio Samples

Sample 1

Model	Female	Male
Natural
VC Source
TTS:500
TTS:5000
TTS:500+VC4500
TTS:2500+VC2500

Sample 2

Model	Female	Male
Natural
VC Source
TTS:500
TTS:5000
TTS:500+VC4500
TTS:2500+VC2500

References

• [1]: 金垣葵, 田中雅也, 能勢隆, 清水遼平, 伊藤彰則, “スペクトログラムを用いた CycleGAN に基づく高品質ノンパラレル声質変換,” 日本音響学会2020年秋季研究発表会講演論文集, 2020．
• [2]: Yi Ren, Chenxu Hu, Xu Tan, Tao Qin, Sheng Zhao, Zhou Zhao and Tie-Yan Liu, “FastSpeech 2: Fast and high-quality end-to-end text-to-speech,” In Proc. ICLR, 2021.
• [3]: Min-Jae Hwang, Ryuichi Yamamoto, Eunwoo Song and Jae-Min Kim, “High-fidelity Parallel WaveGAN with multi-band harmonic-plus-noise model,” In Proc. INTERSPEECH (in press), 2021.