声と話し方を好みのスタイルに一瞬で変える ～高音質かつ低遅延なリアルタイム音声変換～

[画像3]https://digitalpr.jp/simg/2341/89983/700_247_20240614175757666c061539a72.PNG

図3. 低遅延なモデル

3．実験の概要
　従来法・今回の手法を用いて変換した音声の品質を、音質に関しては5段階（1: 非常に悪い、2: 悪い、3: 普通、4: 良い、5: 非常に良い）、目標話者との話者類似性に関しては、4段階（1: 違う、2: 多分違う、3: 多分同じ、4: 同じ）の評価尺度で聴取実験を行いました。特徴量変換器では、従来法に比べ、音質・話者類似性ともに従来法を大きく凌ぐ結果となり、発話者の違いにより生じる差異を明示的に小さくする今回の手法が有効であることがわかりました（図4）。


[画像4]https://digitalpr.jp/simg/2341/89983/700_275_20240614175757666c06154e221.PNG

図4. 実験の結果

5．今後の展開
　本技術により、発声機能障がいへの活用（例えば、無喉頭音声の聞き取りやすさの改善）、ネイティブに近い流暢な英語の発音、説得力のあるスピーチ、緊張による声の震えの解消など、対面・遠隔を問わずビジネスや実生活の多様なシーンにおいて音声コミュニケーションを豊かにすることが期待されます。
　今後は、実環境使用を想定した対雑音性向上や安定性向上などに取り組むと共に、なりすましへの対策などにも取り組み、より安心して好みの音声でコミュニケーションできる未来をめざします。

【用語解説】
※１．深層学習：機械学習の1種でディープラーニングとも呼ばれることもある、近年注目されている学習手法

※２．話者依存性：元話者の声や発音の特徴がどれだけ影響を与えるかを示す性質

※３．無喉頭音声：喉頭を使わずに発声された音声、例えば電気式人工喉頭を用いて発声された音声など