Uploaded byNU_I_TODALAB
462 views

音学シンポジウム2025「音声研究の知見がニューラルボコーダの発展にもたらす効果」

音学シンポジウム2025 第156回音声言語情報処理研究発表会 招待講演 戸田 智基：音声研究の知見がニューラルボコーダの発展にもたらす効果，2025年6月 名古屋大学 情報学研究科 知能システム学専攻 戸田研究室

Embed presentation

⾳声研究の知⾒が ニューラルボコーダの発展に もたらす効果 名古屋⼤学 情報基盤センター ⼾⽥ 智基 2025年6⽉13⽇ 深層学習＋⾳声研究知⾒＝？
ふと思い返してみると・・・ • 2016年9⽉にWaveNet [van den Oord+ 2016] が登場 • 衝撃を受けてすぐにニューラルボコーダの研究を開始 • INTERSPEECH 2017にてWaveNetボコーダを発表 [Tamamori+ 2017] • 2018年1⽉に⾳声研究会にて招待講演を実施 専⾨知識を活かして改善できる 可能性はあると思います！ あれから7〜8年 経ったがはたして？ はじめに
本講演の内容 ⾳声研究の知⾒を活⽤したニューラルボコーダの改善に 関して，我々の研究事例を中⼼に紹介させて頂くと ともに，これらの研究の根底にある視点について 私⾒を軽く述べさせて頂きます． 深層学習＋⾳声研究知⾒＝？ • 物理的⾳声⽣成過程（⼿短に） • ソースフィルタモデル（⼿短に） • 符号化における⻑期予測（⼿短に） • 時間周波数表現 • スパースモデリング • ⾳源・共振特性分離 内容
知⾒：⾳声⽣成過程 • 発声器官を巧みに⽤いて⾳声波形を⽣成 声帯振動による準周期的な⾳源 信号の⽣成 • ⾳源特徴量（基本周波数F0など） 調⾳による共振特性の付与 • 声道特徴量（スペクトル包絡など） ボコーダ：1
知⾒：信号処理に基づくボコーダ • ソースフィルタモデル：⾳声⽣成過程を信号処理で数理的に表現 • ⾳声特徴量の操作による合成⾳声波形の加⼯が容易 ⾳源波形 𝑒 𝑛 パルス列信号 雑⾳信号 合成⾳声波形 𝑥 𝑛 ℎ 𝑛 ∗ 𝑒 𝑛 合成フィルタ 𝐻 𝑧 𝐺 1 ∑ 𝑎 𝑧 ⾳源⽣成部 調⾳部 スペクトル包絡系列 （共振特性） F0パターン （声の⾼さ，有声／無声） 時間 周波数 周波数 パワー 時間 [Itakura+ 1968] ボコーダ：2
𝑥 ~ 𝑝 𝑥 |𝑥 , … , 𝑥 深層学習に基づくボコーダ • ニューラルボコーダ：⾳声特徴量から⾳声波形への変換を学習 • 深層ネットワークによる⾳声波形サンプルの同時分布モデリング • ソースフィルタモデルの近似を避けることで⾼品質化 深層 ネットワーク ⾳声データ 合成⾳声波形 𝑥 𝑥 ⼊⼒層 𝑥 第1隠れ層 𝑥 𝑥 𝑥 𝑥 第2隠れ層 Dilation幅 1 Dilation幅 2 𝑥 第3隠れ層 Dilation幅 4 WaveNet [van den Oord+ 2016] • 拡張畳み込みによる⾃⼰回帰モデリング ⾳声特徴量 系列 [van den Oord+ 2016] ボコーダ：3
ニューラルボコーダで全て解決？⇒NO ソースフィルタモデル ニューラルボコーダ ⾃由度 ：低い，近似が必須 ⾳質 ：劣化が発⽣ 制御性 ：⾼い 計算量 ：少ない サイズ ：⼩さい 学習 ：不要 ⾃由度 ：⾼い，近似不要 ⾳質 ：⾼い 制御性 ：限定的 計算量 ：多い サイズ ：⼤きい 学習 ：必須，データ依存 パラメトリック 共振特性付与 ⾳声特徴量系列 合成⾳声波形 パラメトリック ⾳源波形⽣成 深層ネットワーク ⾳声特徴量系列 合成⾳声波形 ⾳声データ ボコーダ：4
ニューラルボコーダの発展(⼀部のみ) HN-uSFGAN [Yoneyama+ 2023a] SiFiGAN [Yoneyama+ 2023b] Parallel WaveGAN (PWG) [Yamamoto+ 2020] QPPWG [Wu+ 2021a] HiFiGAN [Kong+ 2020] HarmonicNet+ [Matsubara+ 2023] Parallel WaveNet [van den Oord+ 2017] F0依存畳み込み Neural Source Filter (NSF) [Wang 2019] F0制御 ⾳源 敵対的学習 アップサンプ リング • F0制御⾳源 • F0依存畳み込み ⾳源正則化 ⾳源正則化 ⾼速化 ⾼制御化 時間周波数 表現 iSTFTNet [Kaneko+ 2022] Wavehax [Yoneyama+ 2024] • F0制御⾳源 • 2D畳み込み QH-ARMAGAN [Chen+ 2025b] BP-QHM [Chen+ 2025a] QHM [Pantazis+ 2011] 分析機能 系列最適化 • 敵対的学習 • 特徴抽出ネット • 包絡モデル ⾮⾃⼰回帰型 敵対的学習 ニューラルボコーダの発展
SiFiGAN [Yoneyama+ 2023b] HarmonicNet+ [Matsubara+ 2023] アップサンプ リング ニューラルボコーダの発展(⼀部のみ) HN-uSFGAN [Yoneyama+ 2023a] Parallel WaveGAN (PWG) [Yamamoto+ 2020] QPPWG [Wu+ 2021a] HiFiGAN [Kong+ 2020] Parallel WaveNet [van den Oord+ 2017] F0依存畳み込み Neural Source Filter (NSF) [Wang 2019] F0制御 ⾳源 敵対的学習 • F0制御⾳源 • F0依存畳み込み ⾳源正則化 ⾳源正則化 ⾼速化 ⾼制御化 時間周波数 表現 iSTFTNet [Kaneko+ 2022] Wavehax [Yoneyama+ 2024] • F0制御⾳源 • 2D畳み込み QH-ARMAGAN [Chen+ 2025b] BP-QHM [Chen+ 2025a] QHM [Pantazis+ 2011] 分析機能 系列最適化 • 敵対的学習 • 特徴抽出ネット • 包絡モデル ⾮⾃⼰回帰型 敵対的学習 時間領域処理型
時間領域⾮⾃⼰回帰型ニューラルボコーダ • Parallel WaveGAN (PWG) [Yamamoto+ 2020] • 敵対的学習の導⼊で⾮⾃⼰回帰型ネットワークの学習を実現 • 同時サンプリングによる⾼速な合成処理を達成 拡張畳み込み 雑⾳信号 合成⾳声波形 識別器 ⾳声特徴量 系列 敵対的損失と誤差損失を利⽤ 誤差損失 時間領域⾮線形処理により 雑⾳信号を加⼯： 𝒙 𝑓 𝒛 雑⾳信号をサンプリング：𝒛 ~ 𝒩 𝟎, 𝑰 時間領域処理型：1
ソースフィルタモデルの導⼊ • Neural Source Filter (NSF) [Wang+ 2019] • 𝐹 に応じた正弦波も⼊⼒ • 𝐹 制御性能を改善 拡張畳み込み 合成⾳声波形 ⾳声特徴量 系列 誤差損失 正弦波 雑⾳信号 所望の𝐹 パターンを持つ パラメトリック⾳源信号を⽣成 時間領域⾮線形処理により ⾳源信号を加⼯ 𝐹 パターンが保持される傾向あり！ （その理由については後述） 時間領域処理型：2
𝜔 知⾒：⾳声符号化における⾳源モデリング • CELPの⻑期予測（ピッチフィルタ）[Schroeder+ 1985] • ⾳源波形を⽣成するための⾃⼰回帰モデル • 調波構造を付与 n 𝑦 𝑛 𝑦 𝑛 𝑝 𝑝点離れた値から予測 𝐻 𝑧 1 ピッチフィルタ 𝐻 𝑧 1 1 𝑎𝑧 合成フィルタ 𝐻 𝑧 𝑔 1 ∑ 𝑎 𝑧 ⾳源信号 誤差信号 n 𝑦 𝑛 𝑦 𝑛 𝐷 過去𝐷点の値から予測 調波構造(微細構造)を付与 共振特性(包絡)を付与 𝜔 時間領域処理型：3
依存畳み込み層の導⼊ • F0依存拡張畳み込み層 [Wu+ 2021b] • F0パターンに基づきDilation幅を動的に制御 • QPPWG (Quasi-Periodic PWG) [Wu+ 2021a] • 拡張畳み込みネットワークを⾳源波形⽣成部と共振特性付与部に分解 • F0依存拡張畳み込み層による⾳源波形⽣成 • 固定拡張畳み込み層による共振特性付与 𝑇 3 𝑇 2 𝑇 2 𝑇 2 𝑇 1 𝑇 3 𝑇 1 𝑇 1 𝑇 1/𝐹 , 基本周期: 𝑥 𝑥 ⼊⼒層 𝑥 第1隠れ層 𝑥 𝑥 𝑥 𝑥 𝑥 第2隠れ層 Dilation幅 𝑇 Dilation幅 2𝑇 基本周期に応じて 受容野が時々刻々と 動的に変化 時間領域処理型：4
拡張畳み込みネットワークの挙動分析 F0依存拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク F0依存拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク 雑⾳信号 ⾳声波形 ⾳声波形 雑⾳信号 ⾳声波形 雑⾳信号 共振特性 付与 ⾳源波形 ⽣成 [Wu+ 2021a] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 出⼒層から ⽣成された 波形信号の 周波数特性 時間領域処理型：5
拡張畳み込みネットワークの挙動分析 F0依存拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク F0依存拡張畳み込み ネットワーク 雑⾳源 ⾳声波形 ⾳声波形 雑⾳源 ⾳声波形 雑⾳源 共振特性 付与 ⾳源波形 ⽣成 [Wu+ 2021a] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 固定拡張畳み込み ネットワーク 第5隠れ層 からの出⼒ 波形信号の 周波数特性 時間領域処理型：5
拡張畳み込みネットワークの挙動分析 F0依存拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク F0依存拡張畳み込み ネットワーク 雑⾳源 ⾳声波形 ⾳声波形 雑⾳源 ⾳声波形 雑⾳源 共振特性 付与 ⾳源波形 ⽣成 [Wu+ 2021a] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 固定拡張畳み込み ネットワーク 第10隠れ層 からの出⼒ 波形信号の 周波数特性 時間領域処理型：5
拡張畳み込みネットワークの挙動分析 F0依存拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク F0依存拡張畳み込み ネットワーク 雑⾳源 ⾳声波形 ⾳声波形 雑⾳源 ⾳声波形 雑⾳源 共振特性 付与 ⾳源波形 ⽣成 第15隠れ層 からの出⼒ 波形信号の 周波数特性 [Wu+ 2021a] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 固定拡張畳み込み ネットワーク 時間領域処理型：5
拡張畳み込みネットワークの挙動分析 F0依存拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク 固定拡張畳み込み ネットワーク F0依存拡張畳み込み ネットワーク 雑⾳源 ⾳声波形 ⾳声波形 雑⾳源 ⾳声波形 雑⾳源 共振特性 付与 ⾳源波形 ⽣成 [Wu+ 2021a] • ⾳源波形⽣成部と共振特性付与部にネットワークを分解可能 • F0制御性能（特に外挿精度）を改善 固定拡張畳み込み ネットワーク 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 10 8 6 4 2 0 0 0.5 1.0 1.5 2.0 2.5 Times [s] Frequency [kHz] 出⼒層から ⽣成された 波形信号の 周波数特性 時間領域処理型：5
× • 単⼀の敵対的⽣成ネットワークを⾳源⽣成部と共振付与部に分解 • ⾳源正則化損失により分解を促進 畳み込み ⾳源正則化損失 識別器 調⾳ネット 合成⾳声波形 ⾳源⽣成部 正弦波 𝑭 周期⾳源 𝑭𝟎依存層 × 雑⾳信号 ⾮周期⾳源 固定層 ⾳声特徴量系列 周期成分 固定層 + [Yoneyama+ 2023a] 共振 付与部 統合：HN-uSFGAN ⾳源波形 時間領域処理型：6
HN-uSFGANによるF0変換のデモ⾳声 1倍 2倍 4倍 8倍 16倍 1倍 1/2倍 1/4倍 収録⾳声 変換再合成⾳声 変換再合成⾳声 収録⾳声 学習に⽤いた通常発話のF0 範囲 30 Hz 4 kHz 70 Hz 340 Hz • 約100名の英語話者の⾳声（VCTKコーパス [Yamagishi+ 2019]）を⽤いて 学習されたHN-uSFGANを使⽤ 時間領域処理型：7
Parallel WaveNet [van den Oord+ 2017] 時間周波数 表現 QPPWG [Wu+ 2021a] iSTFTNet [Kaneko+ 2022] Wavehax [Yoneyama+ 2024] HN-uSFGAN [Yoneyama+ 2023b] F0依存畳み込み ⾳源正則化 アップサンプ リング ニューラルボコーダの発展(⼀部のみ) SiFiGAN [Yoneyama+ 2023b] Parallel WaveGAN (PWG) [Yamamoto+ 2020] HiFiGAN [Kong+ 2020] HarmonicNet+ [Matsubara+ 2023] Neural Source Filter (NSF) [Wang 2019] F0制御 ⾳源 敵対的学習 • F0制御⾳源 • F0依存畳み込み ⾳源正則化 ⾼速化 ⾼制御化 • F0制御⾳源 • 2D畳み込み QH-ARMAGAN [Chen+ 2025b] BP-QHM [Chen+ 2025a] QHM [Pantazis+ 2011] 分析機能 系列最適化 • 敵対的学習 • 特徴抽出ネット • 包絡モデル ⾮⾃⼰回帰型 敵対的学習 アップサンプリング型
アップサンプリング型ニューラルボコーダ ⾳声特徴量系列 合成⾳声波形 識別器 アップサンプリング 拡張畳み込み • HiFiGAN [Kong+ 2020] • 時間フレーム特徴量系列に対するアップサンプリングを通して ⾳声波形を⽣成 • 短い⻑さの系列を導⼊することで⾼速化を達成 誤差損失 アップサンプリング型：1
パラメトリック⾳源と 依存畳み込み層の導⼊ • HarmonicNet+ [Matsubara+ 2022] • パラメトリック⾳源信号を導⼊するためにダウンサンプリングを活⽤ 識別器 合成⾳声波形 パラメトリック⾳源信号 ⾳声特徴量系列 アップ サンプリング 𝐹 依存拡張 畳み込み層 Conv Conv Conv Conv Conv 𝐹 依存Conv 𝐹 依存Conv 𝐹 依存Conv 𝐹 依存Conv Conv Conv ダウンサンプリング層 アップサンプリング型：2
• アップサンプリング型でF0制御と⾼速合成処理を実現 識別器 合成⾳声波形 パラメトリック⾳源信号 ⾳声特徴量系列 𝐹 ⾳源⽣成𝐹 依存 アップサンプリング 畳み込み 畳み込み ダウン サンプリング 共振付与 アップサンプリング ダウン サンプリング 畳み込み 畳み込み ⾳源波形 ⾳源正則化損失 共振 付与部 ⾳源⽣成部 統合：SiFiGAN (Source-filter HiFi GAN) [Yoneyama+ 2023b] アップサンプリング型：3
SiFiGANの改善：確率的潜在特徴抽出の導⼊ • VAE-SiFiGAN [Ogita+ 2025] • メルスペクトログラムから確率的潜在特徴抽出 • 学習時にボコーダパラメータからの⾼精度な確率的潜在特徴を 事前知識として活⽤することで𝐹 分離を促進 確率的潜在特徴抽出部 揺らぎ成分を表現 共振特性に特化 学習処理 アップサンプリング型：4
VAE-SiFiGANによるF0変換⾳声 • 歌声データ（波⾳リツデータセット [Canon+ 2021]）を⽤いて学習された VAE-SiFiGANを利⽤ • 合成時にF0を変換 • 主観評価結果 • 被験者22⼈ 確率的潜在特徴は 𝐹 変換精度を改善！ 合成処理 合成歌声品質 ⾼い [Ogita+ 2025] アップサンプリング型：5
アップサンプ リング SiFiGAN [Yoneyama+ 2023a] HarmonicNet+ [Matsubara+ 2022] • F0制御⾳源 • F0依存畳み込み ⾳源正則化 時間周波数 表現 QPPWG [Wu+ 2021a] iSTFTNet [Kaneko+ 2022] Wavehax [Yoneyama+ 2024] HN-uSFGAN [Yoneyama+ 2023a] F0依存畳み込み ⾳源正則化 ニューラルボコーダの発展(⼀部のみ) Parallel WaveGAN (PWG) [Yamamoto+ 2020] HiFiGAN [Kong+ 2020] Parallel WaveNet [van den Oord+ 2017] Neural Source Filter (NSF) [Wang 2019] F0制御 ⾳源 敵対的学習 ⾼速化 ⾼制御化 • F0制御⾳源 • 2D畳み込み QH-ARMAGAN [Chen+ 2025b] BP-QHM [Chen+ 2025a] QHM [Pantazis+ 2011] 分析機能 系列最適化 • 敵対的学習 • 特徴抽出ネット • 包絡モデル ⾮⾃⼰回帰型 敵対的学習 時間周波数領域処理型
時間周波数領域型ニューラルボコーダ • iSTFTNet [Kaneko+ 2022] • 深層ネットワークにより時間周波数表現(複素スペクトログラム)を 推定し，短時間フーリエ逆変換により⾳声波形を⽣成 iSTFT ⾳声特徴量系列 合成⾳声波形 識別器 アップサンプリング 1D畳み込み層 誤差損失 複素スペクトログラム • 時間波形の線形変換 • 時間領域推定との 違いは？同じ？ 時間周波数領域処理型：1
知⾒：時間領域⾮線形処理とエイリアシング • 時間領域における⾮線形処理 が周波数特性に与える影響 • 利点：⾼調波⽣成バイアス • 周期信号⼊⼒に対して調波成分を⽣成(NSF [Wang+ 2019] の妥当性) • ⽋点：エイリアシングによる歪み • 𝐹 が学習データの範囲内：エイリアシングは低減される傾向あり • 𝐹 が学習データの範囲外：エイリアシングは顕著に発⽣ 𝑓 𝑥 𝑡 𝑓 0 𝑛! 𝑥 𝑡 𝑥 𝑡 は周波数領域では畳み込みに相当 𝑥 𝑡 sin 𝜔𝑡 の例 [Yoneyama+ 2024] 時間周波数領域処理型：2
エイリアシングフリーにするには？ 調波信号⼊⼒（⾳源スペクトログラムの⽣成）と 2D畳み込み（局所的な演算）の併⽤が有効 調波モデリング 畳み込み 次元 エイリアシング フリー 処理領域 調波信号 ⼊⼒ 正弦波信号 ⼊⼒ 雑⾳信号 ⼊⼒ ○ ○ No 1D No 時間 (波形) × × × 1D Yes 時間周波数 (スペクトロ グラム) 〇 × × 2D [Yoneyama+ 2024] 時間周波数領域処理型：3
エイリアシングフリーボコーダ • Wavehax [Yoneyama+ 2024] • 時間周波数領域処理 ＋ 2D 畳み込み ＋ 調波信号モデル 調波信号の解析的⽣成および ⾳源複素スペクトログラム抽出 時間周波数領域2D畳み込みによる 複素スペクトログラム加⼯ 時間周波数領域処理型：4
時間周波数 表現 QPPWG [Wu+ 2021a] iSTFTNet [Kaneko+ 2022] Wavehax [Yoneyama+ 2024] HN-uSFGAN [Yoneyama+ 2023a] F0依存畳み込み ⾳源正則化 アップサンプ リング ニューラルボコーダの発展(⼀部のみ) SiFiGAN [Yoneyama+ 2023b] Parallel WaveGAN (PWG) [Yamamoto+ 2020] HiFiGAN [Kong+ 2020] HarmonicNet+ [Matsubara+ 2023] Parallel WaveNet [van den Oord+ 2017] Neural Source Filter (NSF) [Wang 2019] F0制御 ⾳源 敵対的学習 • F0制御⾳源 • F0依存畳み込み ⾳源正則化 ⾼速化 ⾼制御化 • F0制御⾳源 • 2D畳み込み QH-ARMAGAN [Chen+ 2025b] BP-QHM [Chen+ 2025a] QHM [Pantazis+ 2011] 分析機能 系列最適化 • 敵対的学習 • 特徴抽出ネット • 包絡モデル ⾮⾃⼰回帰型 敵対的学習 正弦波モデル
知⾒：⾳声波形のスパースモデリング • Quasi Harmonic Model (QHM) [Pantazis+ 2008] • ⾳声波形を調波成分に相当する正弦波の重畳でモデル化 • 準調波性を正確にモデル化することで無声⾳も表現 • 分析：複素正弦波の振幅と位相を短時間フレーム分析で推定 • 合成：時間フレームパラメータ時系列𝑎 : , 𝑓 : を補間して サンプル毎の振幅𝐴 𝑡 と位相𝜑 𝑡 を求め，⾳声波形を⽣成 𝑥 𝑡 𝑎 𝑡𝑏 exp 𝑗2𝜋𝑓 𝑡 𝑤 𝑡 𝑡 ∈ 𝑇 , 𝑇 𝑥 𝑡 𝐴 𝑡 exp 𝑗𝜑 𝑡 時間フレーム 𝑙 に おける分析窓 𝑘 番⽬成分の 周波数 𝑘𝐹 𝑘 番⽬成分の 複素振幅 𝑘 番⽬成分の 複素振幅変化量 𝐴 𝑡 𝑆 𝑎 : 𝜑 𝑡 𝑆 𝑎 : , 𝑓 : 補正 正弦波モデル：1
勾配法によるパラメータ時系列同時最適化 • BP-QHM [Chen+ 2025a] • 合成波形の誤差が最⼩となるように誤差逆伝搬法により 時間フレームパラメータ時系列 𝑎 : : , 𝑓 : : を同時推定 • 合成⾳声 の例 𝑎 : : , 𝑓 : : arg min ℒ 𝑥 𝑡 , 𝐴 𝑡 exp 𝑗𝜑 𝑡 subject to 𝐴 𝑡 𝑆 𝑎 : , 𝜑 𝑡 𝑆 𝑎 : , 𝑓 : 𝐾 2 𝐾 4 𝐾 16 𝐾 64 正弦波モデル：2
分析合成ニューラルボコーダ • QH-ARMAGAN [Chen+ 2025b] • 複素スペクトル包絡をARMAモデルで表現 • 分析：時間フレームモデルパラメータ時系列𝐺 : , 𝑎 : : , 𝑏 : : を メルスペクトログラムから深層ネットワークにより推定 • 合成：所望の𝐹 に対する調波振幅・位相をARMAモデルから サンプリングして⾳声波形を合成 𝜑 𝜋𝑘 𝐹 𝐹 𝑡 𝑡 arg 𝐻 2𝜋𝑘 𝐹 𝑓 𝐻 𝜔 𝐺 1 ∑ 𝑏 exp 𝑗𝑞𝜔 1 ∑ 𝑎 exp 𝑗𝑝𝜔 𝐴 𝐻 2𝜋𝑘 𝐹 𝑓 ARMAモデル： 𝒌番⽬調波振幅： 𝒌番⽬調波位相： 𝑥 𝑡 𝐴 𝑡 exp 𝑗𝜑 𝑡 𝐴 𝑡 𝑆 𝐴 : 𝜑 𝑡 𝑆 𝜑 : 合成⾳声波形： 正弦波モデル：3
QH-ARMAGAN分析例：複素スペクトル包絡推定 0 0.5 1.0 1.5 12 0 4 8 12 0 4 8 12 0 4 8 12 0 4 8 Frequency [kHz] Frequency [kHz] Frequency [kHz] Frequency [kHz] 0 0.5 1.0 1.5 0 0.5 1.0 1.5 Time [s] Time [s] 0 2π 観測振幅・位相スペクトログラム 推定振幅・位相スペクトログラム ⾳源成分を除去して1ピッチ波形に 相当する周波数応答を抽出 [Chen+ 2025b] 正弦波モデル：4
QH-ARMAGAN分析・変換・合成例 • ⽇本語⾳声(JVS DB [Takamichi+ 2019])で学習したモデルを⽤いて 中国語歌声(OpenSinger DB [Huang+ 2021])を分析・変換・合成 収録歌声 分析再合成歌声 𝐹 倍率 2 𝐹 倍率 2 . 𝐹 倍率 2 . 𝐹 倍率 0.5 [Chen+ 2025b] 正弦波モデル：5
時間周波数 表現 QPPWG [Wu+ 2021a] iSTFTNet [Kaneko+ 2022] Wavehax [Yoneyama+ 2024] HN-uSFGAN [Yoneyama+ 2023a] F0依存畳み込み ⾳源正則化 アップサンプ リング ニューラルボコーダの発展(⼀部のみ) SiFiGAN [Yoneyama+ 2023b] Parallel WaveGAN (PWG) [Yamamoto+ 2020] HiFiGAN [Kong+ 2020] HarmonicNet+ [Matsubara+ 2023] Parallel WaveNet [van den Oord+ 2017] Neural Source Filter (NSF) [Wang 2019] F0制御 ⾳源 敵対的学習 • F0制御⾳源 • F0依存畳み込み ⾳源正則化 ⾼速化 ⾼制御化 • F0制御⾳源 • 2D畳み込み QH-ARMAGAN [Chen+ 2025b] BP-QHM [Chen+ 2025a] QHM [Pantazis+ 2011] 分析機能 系列最適化 • 敵対的学習 • 特徴抽出ネット • 包絡モデル ⾮⾃⼰回帰型 敵対的学習 ニューラルボコーダの発展
研究において重要と思われる視点（私⾒です） • 様々な研究を複数の視点から結び付けましょう！ • ⻑年の研究で得られた知⾒と最新技術の結び付け • 「温故知新」「巨⼈の肩の上に⽴つ」 • 研究で得られた知⾒は他の研究者と共有しましょう！ • 論⽂として対外的に発表 • 研究活動は競争よりも共創 • 他の分野の研究にも取り組めるとベター！ • 知⾒・視野が拡⼤し，解決策が充実 （エポックメイキングな成果を⽣み出せるとしたら他分野との共同研究になる 可能性が⾼いかと思います） • 実際に動くデモシステムを作ろう！ • 実⽤化への第⼀歩 • 企業との共同研究を通して実⽤化 • オープンソースとして公開して実⽤化 重要な視点
まとめ 専⾨知識を活かして改善できる 可能性はあると思います！ 深層学習＋⾳声研究知⾒＝ニューラルボコーダ の機能・性能改善 • 物理的⾳声⽣成過程 • ソースフィルタモデル • 符号化における⻑期予測 • 時間周波数表現 • スパースモデリング • ⾳源・共振特性分離 • (帯域分割) • 外挿性能改善 • ⾼速化実現 • エイリアシングフリー実現 • 分析機能実現 • (軽量化実現) まとめ
参考⽂献：1 [van den Oord+ 2016] A. van den Oord, S. Dieleman, H. Zen, K. Simonyan, O. Vinyals, A. Graves, N. Kalchbrenner, A. W. Senior, K. Kavukcuoglu, “WaveNet: a generative model for raw audio,” arXiv preprint, arXiv:1609.03499, 15 pages, 2016. [Tamamori+ 2017] A. Tamamori, T. Hayashi, K. Kobayashi, K. Takeda, T. Toda, “Speaker-dependent WaveNet vocoder,” Proc. INTERSPEECH, pp. 1118‒1122, 2017. [Itakura+ 1968] F. Itakura, S. Saito, “Analysis synthesis telephony based upon the maximum likelihood method,” Proc. ICA, C-5-5, pp. C17‒20, 1968. [van den Oord+ 2017] A. van den Oord, Y. Li, I. Babuschkin, K. Simonyan, O. Vinyals, K. Kavukcuoglu, G. van den Driessche, E. Lockhart, L.C. Cobo, F. Stimberg, N. Casagrande, D. Grewe, S. Noury, S. Dieleman, E. Elsen, N. Kalchbrenner, H. Zen, A. Graves, H. King, T. Walters, D. Belov, D. Hassabis, “Parallel WaveNet: fast high- fidelity speech synthesis,” arXiv preprint, arXiv:1711.10433, 11 pages, 2017. [Yamamoto+ 2020] R. Yamamoto, E. Song, J.-M. Kim, “Parallel WaveGAN: A fast waveform generation model based on generative adversarial networks with multi-resolution spectrogram,” Proc. IEEE ICASSP, pp. 6199‒6203, 2020. [Wang+ 2019] X. Wang, S. Takaki J. Yamagishi, “Neural source-filter waveform models for statistical parametric speech synthesis,” IEEE/ACM Trans. Audio, Speech & Lang. Process., Vol. 28, pp. 402‒415, 2019. [Schroeder+ 1985] M. Schroeder, B. Atal, “Code-excited linear prediction (CELP): high-quality speech at very low bit rates,” Proc. IEEE ICASSP, pp. 937‒940, 1985. [Wu+ 2021a] Y.-C. Wu, T. Hayashi, T. Okamoto, H. Kawai, T. Toda, “Quasi-periodic parallel WaveGAN: a non-autoregressive raw waveform generative model with pitch-dependent dilated convolution neural network,” IEEE/ACM Trans. Audio, Speech & Lang. Process., Vol. 29, pp. 792‒806, 2021. [Wu+ 2021b] Y.-C. Wu, T. Hayashi, T. Okamoto, H. Kawai, T. Toda, “Quasi-periodic WaveNet: an autoregressive raw waveform generative model with pitch-dependent dilated convolution neural network,” IEEE/ACM Trans. Audio, Speech & Lang. Process., Vol. 29, pp. 1134‒1148, 2021. 参考⽂献
参考⽂献：2 [Yoneyama+ 2023a] R. Yoneyama, Y.-C. Wu, T. Toda, “High-fidelity and pitch-controllable neural vocoder based on unified source-filter networks,” IEEE/ACM Trans. Audio, Speech & Lang. Process., Vol. 31, pp. 3717‒3729, 2023. [Yoneyama+ 2023b] R. Yoneyama, Y.-C. Wu, T. Toda, “Source-Filter HiFiGAN: fast and pitch controllable high-fidelity neural vocoder,” Proc. IEEE ICASSP, 5 pages, 2023. [Yamagishi+ 2019] J. Yamagishi, C. Veaux, K. MacDonald, “CSTR VCTK Corpus: English multi-speaker corpus for CSTR voice cloning toolkit (version 0.92),” https://doi.org/10.7488/ds/2645, University of Edinburgh. The Centre for Speech Technology Research (CSTR), 2019. [Kong+ 2020] J. Kong, J. Kim, J. Bae, “HiFi-GAN: generative adversarial networks for efficient and high fidelity speech synthesis,” Proc. NeurIPS, pp. 17022‒17033, 2020. [Matsubara+ 2023] K. Matsubara, T. Okamoto, R. Takashima, T. Takiguchi, T. Toda, H. Kawai, “Harmonic- Net: fundamental frequency and speech rate controllable fast neural vocoder,” IEEE/ACM Trans. Audio, Speech & Lang. Process., Vol. 31, pp. 1902‒1915, 2023. [Ogita+ 2025] K. Ogita, R. Yoneyama, W.-C. Huang, T. Toda, “VAE-SiFiGAN: source-filter HiFi-GAN based on variational autoencoder representations with enhanced pitch controllability,” Proc. EUSIPCO, 5 pages, 2025 (in press). [Canon 2021] Canon, “NamineRitsu Singing DB Ver.2,” https://drive.google.com/drive/folders/1XA2cm3UyRpAk_BJb1LTytOWrhjsZKbSN, 2021. [Kaneko+ 2022] T. Kaneko, K. Tanaka, H. Kameoka, S. Seki, “iSTFTNet: Fast and lightweight mel- spectrogram vocoder incorporating inverse short-time Fourier transform,” Proc. IEEE ICASSP, pp. 6207‒6211, 2022. [Yoneyama+ 2024] R. Yoneyama, A. Miyashita, R. Yamamoto, T. Toda, “Wavehax: aliasing-free neural waveform synthesis based on 2D convolution and harmonic prior for reliable complex spectrogram estimation,” arXiv preprint, arXiv:2411.06807, 13 pages, 2024. [Pantazis+ 2011] Y. Pantazis, O. Rosec, and Y. Stylianou, “Adaptive AM-FM signal decomposition with application to speech analysis,” IEEE Trans. Audio, Speech & Lang. Process., Vol. 19, No. 2, pp. 290‒300, 2011.
参考⽂献：3 [Chen+ 2025a] S. Chen, T. Toda, “Sequence-wise speech waveform modeling via gradient descent optimization of quasi-harmonic parameters,” IEEE Trans. Audio, Speech & Lang. Process., Vol. 33, pp. 319‒ 332, 2025. [Chen+ 2025b] S. Chen, T. Toda, “QHARMA-GAN: Quasi-harmonic neural vocoder based on autoregressive moving average model,” arXiv preprint, arXiv: 2507.01611, 16 pages, 2025. [Takamichi+ 2019] S. Takamichi, K. Mitsui, Y. Saito, T. Koriyama, N. Tanji, H. Saruwatari, “JVS corpus: free Japanese multi-speaker voice corpus,” arXiv preprint, arXiv: 1908.06248, 4 pages, 2019. [Huang+ 2021] R. Huang, F. Chen, Y. Ren, J. Liu, C. Cui, Z. Zhao, “Multi-Singer: fast multi-singer singing voice vocoder with a large-scale corpus,” Proc. ACM Multimedia, pp. 3945‒3954, 2021.

More Related Content

PDF
音学シンポジウム2025「ニューラルボコーダ概説：生成モデルと実用性の観点から」
byNU_I_TODALAB
 
PDF
WaveNetが音声合成研究に与える影響
byNU_I_TODALAB
 
PDF
深層生成モデルに基づく音声合成技術
byNU_I_TODALAB
 
PPTX
独立低ランク行列分析に基づく音源分離とその発展（Audio source separation based on independent low-rank...
byDaichi Kitamura
 
PDF
音声の声質を変換する技術とその応用
byNU_I_TODALAB
 
PDF
The VoiceMOS Challenge 2022
byNU_I_TODALAB
 
PDF
CREST「共生インタラクション」共創型音メディア機能拡張プロジェクト
byNU_I_TODALAB
 
ODP
音声認識の基礎
byAkinori Ito
 
音学シンポジウム2025「ニューラルボコーダ概説：生成モデルと実用性の観点から」
byNU_I_TODALAB
 
WaveNetが音声合成研究に与える影響
byNU_I_TODALAB
 
深層生成モデルに基づく音声合成技術
byNU_I_TODALAB
 
独立低ランク行列分析に基づく音源分離とその発展（Audio source separation based on independent low-rank...
byDaichi Kitamura
 
音声の声質を変換する技術とその応用
byNU_I_TODALAB
 
The VoiceMOS Challenge 2022
byNU_I_TODALAB
 
CREST「共生インタラクション」共創型音メディア機能拡張プロジェクト
byNU_I_TODALAB
 
音声認識の基礎
byAkinori Ito
 

What's hot

PPTX
非負値行列分解の確率的生成モデルと 多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
byDaichi Kitamura
 
PDF
音声信号の分析と加工 － 音声を自在に変換するには？
byNU_I_TODALAB
 
PDF
音情報処理における特徴表現
byNU_I_TODALAB
 
PDF
やさしく音声分析法を学ぶ： ケプストラム分析とLPC分析
byShinnosuke Takamichi
 
PDF
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
byHideki Tsunashima
 
PPTX
【DL輪読会】マルチモーダル 基盤モデル
byDeep Learning JP
 
PDF
音声合成のコーパスをつくろう
byShinnosuke Takamichi
 
PDF
実環境音響信号処理における収音技術
byYuma Koizumi
 
PPTX
音声分析合成[3].pptx
byNatsumi KOBAYASHI
 
PPTX
深層学習を用いた音源定位、音源分離、クラス分類の統合～環境音セグメンテーション手法の紹介～
byYui Sudo
 
PPTX
ICASSP2017読み会（関東編）・AASP_L3（北村担当分）
byDaichi Kitamura
 
PDF
JTubeSpeech: 音声認識と話者照合のために YouTube から構築される日本語音声コーパス
byShinnosuke Takamichi
 
PPTX
音源分離における音響モデリング（Acoustic modeling in audio source separation）
byDaichi Kitamura
 
PPTX
半教師あり非負値行列因子分解における音源分離性能向上のための効果的な基底学習法
byDaichi Kitamura
 
PPTX
スペクトログラム無矛盾性に基づく独立低ランク行列分析
byKitamura Laboratory
 
PPTX
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価（Experimental evaluation of multichannel audio s...
byDaichi Kitamura
 
ODP
音声生成の基礎と音声学
byAkinori Ito
 
PDF
論文紹介 Unsupervised training of neural mask-based beamforming
byShinnosuke Takamichi
 
PPTX
Deep-Learning-Based Environmental Sound Segmentation - Integration of Sound ...
byYui Sudo
 
PDF
音響信号に対する異常音検知技術と応用
byYuma Koizumi
 
非負値行列分解の確率的生成モデルと 多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
byDaichi Kitamura
 
音声信号の分析と加工 － 音声を自在に変換するには？
byNU_I_TODALAB
 
音情報処理における特徴表現
byNU_I_TODALAB
 
やさしく音声分析法を学ぶ： ケプストラム分析とLPC分析
byShinnosuke Takamichi
 
Disentanglement Survey:Can You Explain How Much Are Generative models Disenta...
byHideki Tsunashima
 
【DL輪読会】マルチモーダル 基盤モデル
byDeep Learning JP
 
音声合成のコーパスをつくろう
byShinnosuke Takamichi
 
実環境音響信号処理における収音技術
byYuma Koizumi
 
音声分析合成[3].pptx
byNatsumi KOBAYASHI
 
深層学習を用いた音源定位、音源分離、クラス分類の統合～環境音セグメンテーション手法の紹介～
byYui Sudo
 
ICASSP2017読み会（関東編）・AASP_L3（北村担当分）
byDaichi Kitamura
 
JTubeSpeech: 音声認識と話者照合のために YouTube から構築される日本語音声コーパス
byShinnosuke Takamichi
 
音源分離における音響モデリング（Acoustic modeling in audio source separation）
byDaichi Kitamura
 
半教師あり非負値行列因子分解における音源分離性能向上のための効果的な基底学習法
byDaichi Kitamura
 
スペクトログラム無矛盾性に基づく独立低ランク行列分析
byKitamura Laboratory
 
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価（Experimental evaluation of multichannel audio s...
byDaichi Kitamura
 
音声生成の基礎と音声学
byAkinori Ito
 
論文紹介 Unsupervised training of neural mask-based beamforming
byShinnosuke Takamichi
 
Deep-Learning-Based Environmental Sound Segmentation - Integration of Sound ...
byYui Sudo
 
音響信号に対する異常音検知技術と応用
byYuma Koizumi
 

Similar to 音学シンポジウム2025「音声研究の知見がニューラルボコーダの発展にもたらす効果」

PDF
Neural text-to-speech and voice conversion
byYuki Saito
 
PDF
Interspeech2020 paper reading workshop "Similarity-and-Independence-Aware-Bea...
byssuserf54db1
 
PDF
深層学習と音響信号処理
byYuma Koizumi
 
PDF
分布あるいはモーメント間距離最小化に基づく統計的音声合成
byShinnosuke Takamichi
 
PPTX
A Method of Speech Waveform Synthesis based on WaveNet considering Speech Gen...
byAkira Tamamori
 
PDF
Deep learning for acoustic modeling in parametric speech generation
byYuki Saito
 
PDF
Kameoka2012 talk07 1
bykame_hirokazu
 
PDF
差分スペクトル法に基づくDNN声質変換のためのリフタ学習およびサブバンド処理
byTakaaki Saeki
 
PDF
Saito17asjA
byYuki Saito
 
PDF
Thesis introduction audo_signal_processing
byMakotoShirasu
 
PPTX
Deep Learningについて（改訂版）
byBrains Consulting, Inc.
 
PDF
複数話者WaveNetボコーダに関する調査
byTomoki Hayashi
 
PPTX
深層学習に基づく音響特徴量からの振幅スペクトログラム予測
byKitamura Laboratory
 
PDF
サブバンドフィルタリングに基づくリアルタイム広帯域DNN声質変換の実装と評価
byShinnosuke Takamichi
 
PDF
[DL輪読会]Discriminative Learning for Monaural Speech Separation Using Deep Embe...
byDeep Learning JP
 
PDF
人工知能はどんな夢を見るか？
byTaichi Kiwaki
 
PDF
saito2017asj_vc
byYuki Saito
 
PDF
深層生成モデルによるメディア生成
bykame_hirokazu
 
PDF
機械学習を用いた最近の聴覚研究（日本音響学会サマーセミナー講演資料）
byTakuya Koumura
 
PPTX
[DL輪読会]GANSynth: Adversarial Neural Audio Synthesis
byDeep Learning JP
 
Neural text-to-speech and voice conversion
byYuki Saito
 
Interspeech2020 paper reading workshop "Similarity-and-Independence-Aware-Bea...
byssuserf54db1
 
深層学習と音響信号処理
byYuma Koizumi
 
分布あるいはモーメント間距離最小化に基づく統計的音声合成
byShinnosuke Takamichi
 
A Method of Speech Waveform Synthesis based on WaveNet considering Speech Gen...
byAkira Tamamori
 
Deep learning for acoustic modeling in parametric speech generation
byYuki Saito
 
Kameoka2012 talk07 1
bykame_hirokazu
 
差分スペクトル法に基づくDNN声質変換のためのリフタ学習およびサブバンド処理
byTakaaki Saeki
 
Saito17asjA
byYuki Saito
 
Thesis introduction audo_signal_processing
byMakotoShirasu
 
Deep Learningについて（改訂版）
byBrains Consulting, Inc.
 
複数話者WaveNetボコーダに関する調査
byTomoki Hayashi
 
深層学習に基づく音響特徴量からの振幅スペクトログラム予測
byKitamura Laboratory
 
サブバンドフィルタリングに基づくリアルタイム広帯域DNN声質変換の実装と評価
byShinnosuke Takamichi
 
[DL輪読会]Discriminative Learning for Monaural Speech Separation Using Deep Embe...
byDeep Learning JP
 
人工知能はどんな夢を見るか？
byTaichi Kiwaki
 
saito2017asj_vc
byYuki Saito
 
深層生成モデルによるメディア生成
bykame_hirokazu
 
機械学習を用いた最近の聴覚研究（日本音響学会サマーセミナー講演資料）
byTakuya Koumura
 
[DL輪読会]GANSynth: Adversarial Neural Audio Synthesis
byDeep Learning JP
 

More from NU_I_TODALAB

PDF
INTERSPEECH 2025 「Recent Advances and Future Directions in Voice Conversion」
byNU_I_TODALAB
 
PDF
IEEE EMBC 2025 「Improving electrolaryngeal speech enhancement via a represent...
byNU_I_TODALAB
 
PDF
2025年3月音楽情報科学研究会「大局的構造生成のための小節特徴量系列モデリングに基づく階層的自動作曲」
byNU_I_TODALAB
 
PDF
2025年5月応用音響研究会「ICASSP2025における音楽情報処理の動向」
byNU_I_TODALAB
 
PDF
2025年5月応用音響研究会「ICASSP2025における異常音検知の動向」
byNU_I_TODALAB
 
PDF
Automatic Quality Assessment for Speech and Beyond
byNU_I_TODALAB
 
PDF
異常音検知に対する深層学習適用事例
byNU_I_TODALAB
 
PDF
信号の独立性に基づく多チャンネル音源分離
byNU_I_TODALAB
 
PDF
敵対的学習による統合型ソースフィルタネットワーク
byNU_I_TODALAB
 
PDF
距離学習を導入した二値分類モデルによる異常音検知
byNU_I_TODALAB
 
PDF
Investigation of Text-to-Speech based Synthetic Parallel Data for Sequence-to...
byNU_I_TODALAB
 
PDF
Interactive voice conversion for augmented speech production
byNU_I_TODALAB
 
PDF
Recent progress on voice conversion: What is next?
byNU_I_TODALAB
 
PDF
Weakly-Supervised Sound Event Detection with Self-Attention
byNU_I_TODALAB
 
PDF
Statistical voice conversion with direct waveform modeling
byNU_I_TODALAB
 
PDF
音素事後確率を利用した表現学習に基づく発話感情認識
byNU_I_TODALAB
 
PDF
楽曲中歌声加工における声質変換精度向上のための歌声・伴奏分離法
byNU_I_TODALAB
 
PDF
End-to-End音声認識ためのMulti-Head Decoderネットワーク
byNU_I_TODALAB
 
PDF
空気／体内伝導マイクロフォンを用いた雑音環境下における自己発声音強調／抑圧法
byNU_I_TODALAB
 
PDF
時間領域低ランクスペクトログラム近似法に基づくマスキング音声の欠損成分復元
byNU_I_TODALAB
 
INTERSPEECH 2025 「Recent Advances and Future Directions in Voice Conversion」
byNU_I_TODALAB
 
IEEE EMBC 2025 「Improving electrolaryngeal speech enhancement via a represent...
byNU_I_TODALAB
 
2025年3月音楽情報科学研究会「大局的構造生成のための小節特徴量系列モデリングに基づく階層的自動作曲」
byNU_I_TODALAB
 
2025年5月応用音響研究会「ICASSP2025における音楽情報処理の動向」
byNU_I_TODALAB
 
2025年5月応用音響研究会「ICASSP2025における異常音検知の動向」
byNU_I_TODALAB
 
Automatic Quality Assessment for Speech and Beyond
byNU_I_TODALAB
 
異常音検知に対する深層学習適用事例
byNU_I_TODALAB
 
信号の独立性に基づく多チャンネル音源分離
byNU_I_TODALAB
 
敵対的学習による統合型ソースフィルタネットワーク
byNU_I_TODALAB
 
距離学習を導入した二値分類モデルによる異常音検知
byNU_I_TODALAB
 
Investigation of Text-to-Speech based Synthetic Parallel Data for Sequence-to...
byNU_I_TODALAB
 
Interactive voice conversion for augmented speech production
byNU_I_TODALAB
 
Recent progress on voice conversion: What is next?
byNU_I_TODALAB
 
Weakly-Supervised Sound Event Detection with Self-Attention
byNU_I_TODALAB
 
Statistical voice conversion with direct waveform modeling
byNU_I_TODALAB
 
音素事後確率を利用した表現学習に基づく発話感情認識
byNU_I_TODALAB
 
楽曲中歌声加工における声質変換精度向上のための歌声・伴奏分離法
byNU_I_TODALAB
 
End-to-End音声認識ためのMulti-Head Decoderネットワーク
byNU_I_TODALAB
 
空気／体内伝導マイクロフォンを用いた雑音環境下における自己発声音強調／抑圧法
byNU_I_TODALAB
 
時間領域低ランクスペクトログラム近似法に基づくマスキング音声の欠損成分復元
byNU_I_TODALAB
 

音学シンポジウム2025「音声研究の知見がニューラルボコーダの発展にもたらす効果」