Misc - 西村　竜一

Topic-Dependent Language Modeling for VoiceWeb Systems

Kentaro Suzuta, Ryuichi Nisimura, Hideki Kawahara, Toshio Irino

Proc. WESPAC X 2009 (The 10th Western Pacific Acoustics Conference) ( the Acoustical Society of China (ASC), the Institute of Acoustics, Chinese Academy of Sciences (IACAS), )    paper-id: 0223   2009年09月  [査読有り]

声道形状データを利用したTANDEM-STRAIGHTスペクトル包絡推定の最適化に関する検討

赤桐 隼人, 浅香 佳希, 森勢 将雅, 西村 竜一, 入野 俊夫, 河原 英紀

日本音響学会2009年秋季研究発表会講演論文集 ( 日本音響学会 )    pp.391-392   2009年09月

音声Webインタフェースを用いて収集した実環境発話の分析

鈴田 健太郎, 宮森 翔子, 西村 竜一, 河原 英紀, 入野俊夫

日本音響学会2009年秋季研究発表会講演論文集 ( 日本音響学会 )    pp.125-126   2009年09月

二話者の発声した音声に基づく声道長比の推定法と実測された身長比との関係について

河原 英紀, 宮森 翔子, 浅香 佳希, 西村 竜一, 入野 俊夫

日本音響学会2009年秋季研究発表会講演論文集 ( 日本音響学会 )    pp.365-366   2009年09月

大人・子ども発話の自動識別に基づく安心ウェブシステムの検討

宮森 翔子, 西村 竜一, 鈴田 健太郎, 河原 英紀, 入野 俊夫

FIT2009 第8回情報科学技術フォーラム講演論文集 ( 情報処理学会 )    pp.343-344   2009年09月

Vocoder-based morphing tool demonstrations for flexible voice manipulations", AES 14th Regional Convention

Hideki Kawahara, Masanori Morise, Toru Takahashi, Hideki Banno, Ryuichi Nisimura, Toshio Irino

AES 14th Regional Convention     2009年07月  [査読有り]

安心ウェブの実現に向けた大人・子ども発話のネット収集実験

西村 竜一, 宮森 翔子, 鈴田 健太郎, 河原 英紀, 入野 俊夫

情報処理学会研究報告 ( 情報処理学会 )  2009 ( 19 ) 2009-SLP-77-19 - 6   2009年07月

　概要を見る

本研究では，利用者の年齢層を発話音声から自動推定し，子どものアクセスを制限するウェブフィルタリングサービスの開発を目指す．今回，提案システムの実現に向けて，(1) 音声ウェブシステム w3voice を用いた大人・子ども発話のネットワーク収集実験，(2) GMM 音響モデルを用いた若年者自動判別の予備的実験を行った．発話収集の実験では，389 名の被験者の実環境発話 1,109 を集めることに成功した．発話を分析した結果，大人と子どもで，発話内容に異なる言語的傾向があることを確認した．また，GMM 音響モデルを用いた 14 歳以下の子どもの検出実験では正解率 65.9% を得た （大人の検出も含めると正解率 82.6%）．This study aims at developing a voice-based web filtering service to restrict children from the harmful websites. It is based on an automatic estimation of an age group from their voices. To realize it, we have performed (1) a collection of adult and child voices using voice-enabled web system "w3voice", and (2) an experiment of young voice detection on the basis of GMM-based acoustic recognition. In the experiment of the utterance collection, we succeeded in the collection of the 389 testees' real environmental 1,109 utterances. It was confirmed that there was the difference of language tendencies between adults and children as a result of analyzing the utterances. In the experiment on 14-years-old or younger child detection, 65.9% correct rate was obtained.

視聴覚統合を利用した非言語的手段による音色知覚の評価について

西田 沙織, 森勢 将雅, 西村 竜一, 入野 俊夫, 河原 英紀

電子情報通信学会技術研究報告 ( 電子情報通信学会 )  109 ( 100 ) vol.109, no.100, EA2009-26, pp.49-54 - 54   2009年06月

　概要を見る

人間の知覚特性に基づく音の可視化に向けての基礎的検討として、音色を図形の形で表現することを試みる。振幅の時間変化・スペクトル構造の異なる11種類の音と、9種類の図形を用い、どのような音に対してどのような図形が選択されるのか調べる実験を行った。その結果、音のスペクトル構造が周波数軸方向に周期的か非周期的かによって、被験者の回答の傾向がはっきり分かれた。図形に関しては、選択基準となる要因が複雑さや鋭さであることがわかったが、これらは主観的な指標にすぎない。そこで、面積の平方根と輪郭線の長さとの比、円の軌跡からのずれの大きさ、尖度という定量的指標を用いて各図形を分析した。これらの結果と、主観的評価に基づくMDSの結果とを比較したところ、面積の平方根と輪郭線の長さとの比は横軸とほぼ対応しており、尖度は縦軸と一部対応していることがわかった。

声道長の正規化に基づく簡易モーフィング音声の品質改良について

浅香 佳希, 西田 沙織, 赤桐 隼人, 西村 竜一, 入野 俊夫, 河原 英紀

電子情報通信学会技術研究報告 ( 電子情報通信学会 )  109 ( 99 ) vol.109, no.99, SP2009-35 - 68   2009年06月

再合成音声の品質に体する音声スペクトル包絡推定法の影響について

赤桐 隼人, 大西 壮登, 森勢 将雅, 西村 竜一, 入野 俊夫, 河原 英紀

電子情報通信学会技術研究報告 ( 電子情報通信学会 )    vol.109, no.99, SP2009-34   2009年06月

音声中の複数の繰返し構造の表現とその基本周波数および 非周期性抽出への応用について

板垣 英恵, 森勢 将雅, 西村 竜一, 入野 俊夫, 河原 英紀

電子情報通信学会技術研究報告 ( 電子情報通信学会 )    vol.109, no.100, EA2009-33   2009年06月

Google N-gram を用いたN-gram 確率補完の検討

西村 竜一, 中井 理沙, 鈴田 健太郎, 河原 英紀, 入野 俊夫

日本音響学会2009年春季研究発表会講演論文集     pp.55-56   2009年03月

カスタマイズ性を重視した小規模N-gramの融合に関する検討

鈴田 健太郎, 西村 竜一, 河原 英紀, 入野 俊夫

日本音響学会2009年春季研究発表会講演論文集     pp.245-246   2009年03月

TANDEM-STRAIGHTおよび時変モーフィングのための研究用インタフェースの開発について

河原 英紀, 森勢 将雅, 高橋 徹, 坂野 秀樹, 西村 竜一, 入野 俊夫

電子情報通信学会技術研究報告 ( 電子情報通信学会 )    vol.108, no.465, SP2008-151, pp.51-56   2009年03月

TANDEM-STRAIGHTを用いたF0推定法の最適化及び性能評価 - F0検出器の設計パラメタに関する検討 -

板垣 英恵, 森勢 将雅, 西村 竜一, 河原 英紀, 入野 俊夫

日本音響学会2009年春季研究発表会講演論文集     pp.379-380 - 380   2009年03月

声道断面積関数の補間によるモーフィング音声作成について -スペクトル概形の補償法の検討-

浅香 佳希, 大西 壮登, 西村 竜一, 入野 俊夫, 河原 英紀

日本音響学会2009年春季研究発表会講演論文集     pp.425-426   2009年03月

TANDEM-STRAIGHTにおけるスペクトル包絡推定精度の改善について

赤桐 隼人, 森勢 将雅, 西村 竜一, 河原 英紀, 入野 俊夫

日本音響学会2009年春季研究発表会講演論文集     pp.381-382   2009年03月

Vowel-based voice conversion and its application to singing-voice manipulation

Yuri Yoshida, Ryuichi Nisimura, Toshio Irino, Hideki Kawahara

Proc. AES 35th International Conference Audio for Games     2009年02月  [査読有り]

視聴覚統合における刺激音の時間-周波数的特徴と視覚刺激の形状特徴の検討-人間の知覚特性に基づく音楽の可視化システムに向けて-

西田沙織,森勢将雅,西村竜一,入野俊夫,河原英紀

情報処理学会研究報告, 2009-MUS-79-13 ( 一般社団法人情報処理学会 )  2009 ( 13 ) 65 - 70   2009年02月

　概要を見る

音楽を元に生成された映像を見て鳴っている音が直感的にわかるような音の可視化を目指し、先行研究を参考に聴覚情報と視覚情報の間の妥当な対応付けを検討した。音色と図形形状の間に対応関係が存在する可能性があるが、厳密な実験がまだ行われていないため、これについて検証することとした。振幅の時間変化・スペクトル構造の異なる 11 種類の音と、9 種類の図形を用い、どのような音に対してどのような図形が選択されるのか調べる実験を行った。その結果、スペクトル構造が周期的か非周期的か、また高調波成分が多いか少ないかによって選択される図形に違いが見られた。An audio-visual integration test was conducted to investigate innate correspondence between sounds and shapes. Seven typical sound stimuli including periodic sounds and aperiodic sounds as well as musical instrumental sounds were presented followed by a pair of shapes. Subjects were asked to select one of shape that fit better with the preceding sound stimulus. MDS analyses of the results suggested that there seem to exist a common perceptual structure between vision and audition.

Observation of empirical cumulative distribution of vowel spectral distances and its application to vowel based voice conversion

Hideki Kawahara, Masanori Morise, Toru Takahashi, Hideki Banno, Ryuichi Nisimura, Toshio Irino

INTERSPEECH 2009: 10TH ANNUAL CONFERENCE OF THE INTERNATIONAL SPEECH COMMUNICATION ASSOCIATION 2009, VOLS 1-5 ( ISCA-INT SPEECH COMMUNICATION ASSOC )    2615 - +   2009年  [査読有り]

　概要を見る

A simple and fast voice conversion method based only on vowel information is proposed. The proposed method relies on empirical distribution of perceptual spectral distances between representative examples of each vowel segment extracted using TANDEM-STRAIGHT spectral envelope estimation procedure [1]. Mapping functions of vowel spectra are designed to preserve vowel space structure defined by the observed empirical distribution while transforming position and orientation of the structure in an abstract vowel spectral space. By introducing physiological constraints in vocal tract shapes and vocal tract length normalization, difficulties in careful frequency alignment between vowel template spectra of the source and the target speakers can be alleviated without significant degradations in converted speech. The proposed method is a frame-based instantaneous method and is relevant for real-time processing. Applications of the proposed method in-cross language voice conversion are also discussed.