2013/01/31

6時頃起きる。今日は同志社大で音声研究会に参加する。買っておいたパンとカップ麺で朝食。そのあとシャワーを浴びて、支度をする。

8時半頃近鉄で京都から興戸まで。興戸駅から結構歩いて同志社大のキャンパスに到着。


10時から研究会。今日は歌声に関する発表の特集。

・グロウル・スクリーム歌唱音声の音響的特徴と聴覚印象の考察(東北大)
うちの研究室の加藤君が発表。グロウルとスクリームの質と、音源パルス(の推定値)のjitter,shimmerなどの関係を調べた。Jitterについては、上手に聞こえる最適値があることが明らかに。知覚実験の評価尺度として「カッコよさ」を使っているが、これは私が完全に指導していたら出てこなかった発想だと思う。


・ポピュラー音楽のための歌唱音声評価尺度の構築−アマチュア歌唱における検討−(早稲田)
アマチュア歌唱の心理的評価尺度をSD法によって構築。各情報ソースから歌声を形容する語を収集し、了解性及び同義性によって語を絞り込んで44語を評価語として選定。評価対象音声は21名の女性でさまざまな歌い方をしたもの。最終的に「迫力性」「丁寧さ」「明るさ」の3因子を抽出。「丁寧さ」はおおむね歌の上手さに関連しているようだが、「透き通った」などの評価語とも関連しているので声質にも関係があるようだ。

・スクリーム唱法における基本周波数とスペクトル変動の相関の調査(名城大)
スクリーム音声をTANDEM-STRAIGHTで分析してF0とスペクトル包絡を調べた。試料は男性1名。スペクトルの包絡は通常音声と平均的には差がないが、分散が大きい。各フォルマント周波数付近のパワーの時系列の分析から、パワーが短時間に周期的に変動していることがわかり、その変動は高周波域の方が大きいようだ。各帯域パワーの変動とF0変動の相関を見ると、帯域ごとに相関が違うことがわかった。帯域ごとに時間遅れを考慮して相関を見たところ、高域では3ミリ秒ほど遅れがあり、遅れを補正するとどの帯域でも似たような相関になる。ここで収録したスクリームはうまくスクリーム発声ができてないのではないかという加藤君の指摘。また、帯域パワーとF0には通常音声でも比較的高い相関があるので、その理由がよくわからなかった。

・歌唱音声における基本周波数とパワーの変動量を反映するビブラート特徴量の提案とその評価方法について(名城大)
中野さんのビブラート特徴の改良。F0系列のパワースペクトルに対して、正規化を行わないようにしたことと、F0スペクトルのフラットネスを用いるところが違う。物まね音声を評価に使っていることの意図がよくわからない。

・招待講演:統計モデルに基づく音声合成における話者・スタイルの多様化(能勢隆・東工大)
HMM音声合成での多様な音声の合成。学習のための音声を実際に収録しようとしてプロを雇うと、1時間1スタイルあたり数十万〜数百万円かかるので、安価にさまざまな音声を合成するためには工夫が必要。
多様化の要求:
    様々な話者の声を低コストで作成→平均声+話者適応
    感情表現、スタイル→スタイルモデル、適応・変換
    スタイルやその度合いを変化→スタイル補間・制御
    好みの声質のオリジナル音声作成→声質制御
    話者の特徴の強調→話者強調
    自然な話し言葉の合成→コンテキストの拡張
平均声モデル
    認識に使う「不特定話者モデル」との違い
    音源特徴量が必要、必ずしも大規模人数でなくてよい
話者の多様化
    話者適応により、少ないデータから生成可能
音声における表現の多様性
    発話スタイルの多様性
スタイル依存モデル
    スタイル混合モデル:スタイルをコンテキストの一部として扱う
    スタイル適応
    スタイル補間
声質の多様化
モーフィング
話し声音声合成は難しい
    さまざまなコンテキストの拡張
    CSJのラベルの利用

・任意話者の多様なスタイル生成のための話者正規化スタイル変換法の検討(東工大)
小林研。HMM合成において、これまで発話スタイルの変換にはMLLRに似た変換行列を使う発話スタイル変換を行っていた。変換行列を未学習話者のモデルに作用させることで、未学習話者のスタイルの変換をすることができる(不特定話者スタイル変換)。今回は、スタイル変換の精度を上げるために、話者適応でのSATと似た学習方法をスタイル変換に適用した。モデルそのものではなく、変換行列の個人性を吸収するように学習を行うところがポイント。提案法によって自然性は上がるが、スペクトルの変換をしても必ずしも評価が高くならない。

・多様な歌声合成のための重回帰HSMMに基づくスタイル制御法の検討(東工大)
特別講演でも話をされた能勢先生。HMM合成による多様な歌声合成。低次元のスタイルベクトルで合成モデルの分布を制御する重回帰HSMMを使って、歌声のスタイルを制御する試み。F0系列のモデル化の際には、対数F0と楽譜上の対数周波数との差をモデル化する(音高正規化学習)。ビブラート周期を求めるのに、F0概形と実際のF0の差(つまりF0系列をハイパスフィルタリングしたもの)のゼロクロスを用いている点に特徴がある。
実験で用いた歌唱スタイルは「子供っぽい←→大人っぽい」の1次元。ビブラートの有無はスタイルによる制御を行っていない。

・多様な韻律合成のための多クラス局所韻律コンテキストの検討(東工大)
商品宣伝口調などの文音声で、一部の語句を強調して言う「強調表現」をフィーチャーした研究。一部の単語を強調した音声をたくさん用意して学習すればいいのだが、どの単語が強調されているのかのラベリングが大変なので、新たな自動ラベリング手法を検討する。ここでは、学習用の原音声と、それと同じ文を同じ長さで合成した合成音声のF0/継続長/パワーの差分を元にして、low/neutral/highの3つのコンテキストラベルを付ける。実験の結果、F0の制御だけが意味を持つようだ。しかし、この手法は「ラベリング」と言っていいのかな。なんか違う気がする。

・パラ言語情報処理のための対話音声の収録とラベリング(立命館大)
山下研。対話音声におけるパラ言語情報のラベル付け。タスクは、「音声ドキュメントの書き起こしのある部分が正しいかどうかを二人で対話しながら推測する」というマニアックなもの。パラ言語情報ラベリングでは、被験者に発話を聞かせて、知覚したパラ言語的情報を自由記述で書かせ、そこからパラ言語ラベルの収集を行った。また、言語的コンテキストの影響の有無についても検討している。その結果、知覚されやすいパラ言語情報は、「納得」「疑問」などの心的状態だと思われた。言語的コンテキストの影響を受ける発話はそれほど多くない。また、個人的に話者を知っている場合の方がパラ言語ラベルの推定が揃う(コンテキスト情報の影響を受けない)。

・孤立発声母音を用いた声質類似度の評価と自動推定(立命館大)
山下研。人間が知覚する声質の類似性をシミュレートするモデル。対象はピッチ固定の孤立発声母音。特徴量としてMFCCを使い、類似度として重み付きユークリッド距離を使ったときが従来よりも良好な結果。母音の種類によって手法の効き具合に違いがあるところが面白いと言えば面白い。


研究会終了後、今日は名古屋で泊まる予定。最初はすぐに名古屋に行く予定だったのだが、京都在住の研究室OBのMJ君と加藤君と3人で京都で飲むことになったので、会場から加藤君といっしょに近鉄と地下鉄を乗り継いで京都市役所前駅へ。

京都市役所付近は繁華街だというので寺町通りに入ってみたのだが、近くにはあまり賑やかなところはない。少し南に進んだところで、ようやく少し賑やかな感じになり、修学旅行客相手ふうの店が多くなった。

少しこの付近を歩いたところで、寒いので近くの喫茶店でコーヒー飲んで休む。

19時半頃に京都市役所前駅の出口でMJ君と待ち合わせて、予約してあった近くの居酒屋「ゆず家」へ。日本酒をメインに飲みながら1時間半ほど話をする。新幹線の時間があるので22時ちょっと前に失礼して外へ。

その場から烏丸御池まで歩いて、地下鉄で京都駅へ。名古屋までの最終便よりも前に乗ることができた。

京都から名古屋まで新幹線。名古屋には23時ぐらいにつくことができた。そこから地下鉄で栄。


ホテルにチェックインし、近くのコンビニで明日の朝食を買い、24時過ぎに寝る。今日も疲れた。


前の日へ 目次へ 次の日へ