publications

1. Robustness of Automatic Labeling with HMM Phoneme Models
Tomoko Yonezawa, Hideyuki Mizuno, Masanobu Abe
IEICE SP-tech-meeting,Vol.102, No.292, pp.17-22, 2002.


To realize speech synthesis of different speakers and different speech
styles, we aim to build a full-automatic phoneme labeling system which
sorts out the database of the speech synthesis units including various
speakers and speech styles. In Preparation, we experimented automatic
labeling with HMM phoneme models from Mel Filter Bank and Mel
Cepstrum. First we observed the results with high accuracy of label
boundaries from Mel Filter Bank's ten channels. Then we analyzed the
results by categorizing them into several chains of phonemes. Second
we observed that there are different accuracy among different phoneme
chains. Additionally, we observed robust accuracy in some chains
depending upon the speakers and speech styles.

Keyword 
HMM, Phoneme Models, Automatic Labeling, Mel Filter Bank, Mel Cepstrum

我々は音素片接続方式で様々な人の声質や様々な発話様式により音声を合成す
るため，話者毎／発話様式毎の完全自動による合成単位構築を検討している．
本稿では，その第1 ステップとしてHMM特定話者モデルによる自動音素ラベリ
ングのロバスト性を検討した．自動音素ラベリングに，メル分割されたフィル
タバンクの対数パワーとメルケプストラム係数を用いたHMM音素モデルを用い
て比較を行った結果，10 チャンネルのメルフィルタバンク係数をパラメータ
としたときに，話者性や発話様式によらずロバストなラベリング結果が得られ
た．また，ラベリング精度が話者性や発話様式の影響を受ける傾向が，音素連
鎖によって異なることが明らかになった．

キーワード
HMM, 音素モデル，自動ラベリング, メルフィルタバンク, メルケプストラム




2. Analysis on the Accuracy of Automatic Labeling with HMM Phoneme Models
Tomoko Yonezawa, Hideyuki Mizuno, Masanobu Abe
ASJ Autumn Conference, pp.327-328, 2002.


我々は様々な話者や様々な発話様式の音声に，自動ラベリングを施して，完全自
動で音声合成用データベースを構築したいと考えている[1]．自動ラベリングシス
テムとしてはこれまで，スペクトログラムリーディング知識を用いた音素セグメ
ンテーション[2]，HMM 音素モデルによる自動ラベリング[3]，両者の組み合わせ
方式[4]等が検討されて来た．本稿では，特定話者のHMM 音素モデルを用いて，同
一話者の無意味文発声と意味文発声に対して自動ラベリングを行った．さらに，
自動ラベリング精度を音素連鎖カテゴリ／音素連鎖毎に分析し，報告する．




3. Training Data Size for HMM Phoneme Models in Automatic Labeling
Tomoko Yonezawa, Hideyuki Mizuno, Masanobu Abe
ASJ Spring Conference, pp.263-264, 2003


我々は様々な話者や様々な発話様式の音声に，自動ラベリングを施して，完全自
動で音声合成用データベースを構築したいと考えている．これまでにHMM音素モデ
ルを用いた自動ラベリングの精度向上を検討してきた．本報告では，HMM 音素モ
デルを作成するために必要な学習データ量について検討する．一般的に特定話者
音素モデルを用いた音声データの自動ラベリング精度は，特定話者音素モデルを
異なる話者の音声データに適用した自動ラベリングの精度より良いことが知られ
ており，我々も同様の結果を得た．しかし様々な話者や発話様式毎に特定話者音
素モデルを作成するためには，学習用データに対して手動ラベリングなどによる
正解の音素境界が必要であり，時間的／費用的コストの面から，学習データの量
はごく少量であることが望まれる．本報告では，特定話者音素モデルによる自動
ラベリングにおいて，十分な自動ラベリング精度を得るために最低限必要な，音
声データに対応する読み上げ文を決定する手法を提案し，学習データ量と自動ラ
ベリングの音素境界精度との関係を明らかにする．