自動ラベリング

波形接続型音声合成においては，録音音声に対してラベル（音素境界位置）が 付与されたデータが必要となる．今回使用したATRのAsetでは、人手によるラ ベルデータがある．しかし，人手によるラベリングには多くのコストがかかる ため，自動ラベルが好ましい．

そこで，ラベルデータを自動的に作成し，自動ラベルと手動ラベルによる音声 合成の明瞭度および自然性の差を調査する．自動音素ラベリングには様々な方 法があるが，本研究では，HMMによる基本的な方法を用いる．ツールとしては HTK[17]を利用する．使用したパラメータを表8に示す．

自動音素ラベリングでは，まずAsetの5,240件を奇数番と偶数番に分ける．次 に奇数番データでHMMを学習する．最後にViterbiアルゴリズムを利用して偶数 番データに自動ラベルを行う．また，偶数番データでHMMを学習して奇数番デー タに自動ラベルを行う．

Parameters for Automatic Labeling

Table: 自動ラベリングにおいて使用するパラメータ

標本周波数	16kHz
音響モデル	4状態3ループ
	Diagonal
mixture	3

表9に結果を示す．ただし，実験は4モーラ単語50個についてのみ 行った．

Difference Hand Labeling and Automatic Labeling

Table: 手動ラベルと自動ラベルの差

	了解度　正解率(%)			オピニオンスコア
	評価音節数: 1,000			評価単語数: 50
	FTK	FYN	平均	FTK	FYN	平均
手動　ラベル	94.4	98.4	96.4	4.3	4.3	4.3
自動　ラベル	94.0	96.4	95.2	4.1	4.2	4.15

この結果をみると，オピニオンスコアにおいて，手動ラベルは自動ラベルと比較 してやや良いが，あまり大きな差がない．また，了解度では，ほとんど差がな い．

なお，文献[16]では，本実験の結果と同様に，波形接続型音声合成に おいて，手動ラベルと自動ラベルで得られる合成音声に，品質に差があまりな いことが紹介されている．