こんにちは,@hogefugabarです. この記事はDeepLearning Advent Calendar 2016の21日目の記事です. 専門では無いですが,声質変換について書きます. 本記事執筆に当たって,@asteer23に助言を頂きました.感謝します. 指摘等歓迎です. (随時コードも上げていきたいが修論があるので確約はできないです) はじめに 声質変換とは,「ある話者の音声」(入力)を「ターゲットとなる話者(出力話者)が同じ内容を話したかのような音声」(出力)に変換することである.イメージはコナンくんの蝶ネクタイなのである. 声質変換システムの概要 一般的な声質変換システムの概要を示したのが以下の図である. 入力話者の音声データ(WAVファイル)から音響特徴量(後述)を抽出 出力話者を目標として学習したモデルを用い,音響特徴量を変換 音響特徴量から音声データ(WAVファイル)
![深層学習による声質変換 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/4ccf7256ce0ce308ea853038d18d7508ec3d50cc/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Fadvent-calendar-ogp-background-7940cd1c8db80a7ec40711d90f43539e.jpg%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JUU2JUI3JUIxJUU1JUIxJUE0JUU1JUFEJUE2JUU3JUJGJTkyJUUzJTgxJUFCJUUzJTgyJTg4JUUzJTgyJThCJUU1JUEzJUIwJUU4JUIzJUFBJUU1JUE0JTg5JUU2JThGJTlCJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMzQTNDM0MmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz05M2M5YjBkMmZiOTM2YjE1NDdkZTE5MWYxMDEzOTMwNg%26mark-x%3D120%26mark-y%3D96%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9OTcyJnR4dD0lNDBzYXRvcGlya2EmdHh0LWNvbG9yPSUyMzNBM0MzQyZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWVhOGI0ZDE1MWEwZTQ2NjU2ZTJhOTliYmIyMWY3ZmIx%26blend-x%3D120%26blend-y%3D500%26blend-mode%3Dnormal%26s%3D29225ddf5ba28990fb55a82469618f93)