2014/10/20
朝6時起床。
少し支度をして、6時半に朝食。
後から有木先生が来られて少し話をする。同じく会場におられた藤崎先生にご挨拶。
今日の午後から発表だが、研究をやっていたMJ君がプログラムやデータをいっさい残していかなかったので、音のデモができない。音の操作の発表なのに音のデモがないのはやはり迫力に欠けるだろうということで、いまからデモシステムを作ることにした。人生最大のチャレンジ（泥縄ともいう）。とりあえず使えるデータを探すことから開始。カラオケをニコカラから拾う。
操作自体は簡単なので、Rで書けば何とかなるだろうということで、8時ぐらいから書き始める。
8時半からセレモニーなので、コーディング途中でとりあえず会場へ。
会場ではすでにセレモニーが始まっていて、VIPの紹介とかやっていた。とりあえずいすに座って、セレモニーは無視してコーディング。バグがとれない。
そのうちキーノートが始まる。
A Deep Learning Approach to Speech Enhancement (C-H.Lee)
コーディングしてたのでほとんど聞いてなかったが、中間4層のDNNを使うと良いというところだけ聞いた。デモ音声では、DNNによる方法はほとんどミュージカルノイズが無く、非常に高品質だったのが印象的。
Is Your Biometric Data Safe? (Alex. C. Kot)
聞いてなかった。
おかげで会場でコーディングをして1時間ぐらいでデモシステムが完成（といってもリアルタイムではないが）。バグはFFTの係数の場所を間違えていたせいだった。我ながらよくやった。
Frontier of Music Information Research Based on Signal Processing (M. Goto)
あいかわらず元気に発表。音楽情報処理の普及宣伝のためならどこへでも行くという気概が見えてすばらしい。最初はPreFEstとそれに続くマルチピッチ推定の話。
次は一連の能動的音楽聴取インタフェースと、そこで使われている技術の話。デモンストレーションを入れながら話をする。SmartMusicKIOSK, LyricSynchronizer, Drumix, MusiCream, Songle.
Signal Processing in LTE and Beyond... with an example in spectrum management (Fu Li)
よくわからなかった
Consistent representation of Cross-Media Data (Yao Zhao)
スライドが映らなくて10分ぐらい混乱していた。PCを変えて、ついに画面が移ったときには会場から拍手が。
クロスメディア分析は、映像・音声・文字など異なるメディアの間での分析・検索のことらしい（文字で画像を検索する、など？）。マルチカーネル学習、共有サブスペースなど。
その後昼食。メインのラインが混んでいたので、空いてるラインに並んだら、とれるものが芋とかだった。
食べ終わって少し時間があるので、まず発表の部屋を見てみる。小さいな。今回使っている中で一番小さい部屋で、20人ぐらいしか入らない。
その後、隣がウォルマートなので探検にいく。1階が生鮮品、2階が乾物と電化製品とか、3階が服。見ただけで帰ろうかと思ったら、レジを通らないと帰れない構造になっていたので、飲み物とか買う。
午後からSpecial Session2件。部屋は人がいっぱい。もう少し広い部屋にすれば良かったのになあ。
Speech Quality Improvements and Flexible Feature Control
Use of fundamental frequencies shaped by generation process model for HMM-based speech synthesis (U of Tokyo)
広瀬先生。よく聞いてなかったがHMM音声合成のF0生成をHMMでなく藤崎モデルベースにするという話のようだ。また、なめらかなF0生成軌跡に対する残差をまたHMMでモデル化する。また、F0に影響する句単位・アクセント単位・残差単位のHMMをマルチストリームで表現する。
最後に、アクセント指令などの強さを変えることで、単語へのフォーカスを制御して音声合成するデモ。
Context dependent deterministic plus stochastic model (Sharif U of Tech)
No Show.
Voice conversion based on matrix variate Gaussian mixture model (U of Tokyo)
齋藤さん。前に聞いたことがあると思う。2話者の特徴ベクトルをつなげたベクトルをGMMでモデル化するのではなく、各フレームを話者を表現する行列で表現する。行列の正規分布表現を導出し、それを使って分布を表現する。
An investigation of implementation and performance analysis of DNN based speech synthesis system (Shanghai Jiao-Tong U)
タイトルがなんか変わってた（一瞬しか出なかったのでメモできなかった）。GMMベースとDNNベースの音声合成の比較。F0のモデル化はDNNとGMで同じくらいだったが、スペクトルのモデル化はGMMの方が優れている。
Building a Chinese natural emotional audio-visual database (Jiangsu Normal U)
まず現在の感情音声コーパスのサーベイ(Acted, broadcast-based)。それからCASIA中国語自然感情Audio-Visualデータベースの紹介。TVや映画などがソース。120分。感情の分布はコントロールされていない。
Multi-level prosody and spectrum conversion for emotional speech synthesis (Soochow U)
感情変換（実際には韻律の変換）。文レベル、単語レベル、音節レベルでの感情による韻律の変化について分析。それにあうように、3つのレベルでF0、パワー、継続時間を線形に操作する。また、ケプストラム係数も線形変換する。新しいのかなあ？
Automatic detection of contrastive word pairs using textual and acoustic features (Tsinghua U)
Contrastive Word Pairの例としてスカートとズボンというのを挙げていたが、それって対なのか？わかるようなわからないような。１発話のなかに2つの対照的な単語が入っていることが重要なようだ。発話の中の単語対になる組は+1、そうでない組（品詞が同じものだけ）は-1として、言語的・音響的特徴をつっこんでSVMにかけるようだ。Contrastive wordはF0が高く、パワーが大きく、継続時間が長い。音響特徴を加えた場合の再現率・適合率は32/67%ぐらいで、音響特徴を使わないと23/64%ぐらい。
A data driven method for target and concatenation cost calculation with KL-divergence in a Mandarin hybrid speech synthesis (CAS)
波形接続型音声合成でコストの計算をKLダイバージェンスで行う（？）。字が小さくて棒読みなのでよくわからなかった。従来のHMMでユニット選択を行う方法よりちょっぴり良いということらしい。
つぎは私が発表するセッション。座長は藤崎先生（！）と北原先生。
Hot topics in music information processing
Singing Information Processing (AIST)
後藤さんの30分トーク。ざっくりしたタイトル。内容は朝の続きみたいなもんだが、今回は歌声音声合成にフォーカス。つかみは初音ミクの話。その後は後藤システムの話。
LyricSynchronizer, Singer ID, 息継ぎ検出
Voice Drummer,
SingBySpeaking, VocaListener
最後にVocaWatcherをつかったHRPの歌謡ショー。
Manipulation of vocal signal in mixed music signal using side information of F0 and backing specrum (Tohoku U)
私の発表。以前MJ君がやった歌唱信号操作で、IIHMSPで話さなかった部分を集めたもの。プレゼン自体は最初から全部話す。発表時間が想定より短かったが、何とかデモ音声も流せた。
Autoleadguiter: Automatic Generation of guitar solo phrases in the tablature space (AIST)
コード進行とキーを与えるとギターソロを生成する。生成ルールはギタリストからの学習による。ギターの場合、音だけだと冗長性あがるので、タブ譜の空間で学習・生成を行う。プロのギターソロのタブ譜を集めたとのことだが、そういうWebサイトがあるのか。与えられたコードについて、フレーズを確率的に生成。リズムはバイグラム。音高もバイグラム。そのまま音高をランダムに生成するとコードに必要な音が入らないことがあるので、必要な音とランダムな生成との間で補間を行って、必要な音が全部入るようにする。評価は主観的満足度。制約を入れることで満足度が向上。
An on-line algorithm of guiter performance transcription using non-negative matrix factorization (Nihon U)
ギターの音響信号からMIDIを生成する。最初にすべての音を録音しておいて、そのスペクトルを使ってNMFにより発音時刻を推定する。うまく分離ができれば、あとは発音のON/OFF時刻の推定の問題。必要以上に音符が分割されたり過剰検出しないように閾値を決める。
Crestmuse Toolkit: A Java-based framework for signal and symbolic music processing (Nihon U)
北原先生。いまさらCrestMuse Toolkitの紹介だが、国際的に紹介したことなかったのかな。内容はJavaで書かれた音楽信号・記号処理ツールキット。データフローを記述することができ、WEKAと組み合わせて統計的学習や推論ができる。ソプラノからほかの3部をベイジアンネットで推定するデモが披露された。
A novel approach to separation of musical signal by NMF (Tsukuba U)
ロック形式の音楽の分離をNMFをやる。ドラムスなど、非調波構造を持つ音が入っているので工夫が必要。非調波成分の分離、伴奏の分離、リード楽器の分離の順に行う。話がよくわからなかったが、それぞれのパート毎に評価関数を変えているところが新しいらしい。リードギターとドラムは比較的うまく分離できるが、ベースはいまいち。
終わったところで部屋に戻り、18時にバンケット会場へ。
どうやら実際の開始は30分遅かったらしく、あまり人が来ていない。少しずつ人が増えて、18:40ぐらいにちょっと挨拶があり、後はご歓談。
料理がどんどん来る。
ビールはなんか見たことないブランド。
私の近くには北原先生と日大・筑波大の学生さん、齋藤先生。反対側の隣は北京科技大の先生で、ニューラルネット関連の数学が専門だそうだ。
私の向かいには学生さんらしい人が座っていたのだが、私がビールの追加を店員に頼んで断られると、下の売店まで行って買ってきてくれた。申し訳ないなあ。
料理はどんどん来る。
1時間ちょっとで流れ解散。北原先生が飲み足りないと言うことで、日本人数人で2次会の場所を求めて外へ。
しかし食わずに飲めるような店は近くになくて、仕方ないのでウォルマートで酒と食料を買って、北原先生の部屋で2次会。冷えたビールが欲しかったのだが、ウォルマートには冷えたビールがなくて、しかたないので部屋の冷蔵庫のビールを出して飲む。
だらだらと飲みながら、際限なく話を続ける。午前1時頃限界に達して撤退。
前の日へ 目次へ 次の日へ