[B! deep learning][text to speech] Drunkarのブックマーク

Drunkar id:Drunkar

deep learningとtext to speechに関するDrunkarのブックマーク (3)

Tacotron: Towards End-to-End Speech Synthesis / arXiv:1703.10135 [cs.CL] | LESS IS MORE
Tacotron: Towards End-to-End Speech Synthesis / arXiv:1703.10135 [cs.CL] Googleが2017年4月に発表したEnd-to-Endの音声合成モデル Tacotron: Towards End-to-End Speech Synthesis / arXiv:1703.10135 [cs.CL] に興味があったので、自分でも同様のモデルを実装して実験してみました。結果わかったことなどをまとめておこうと思います。 GoogleによるTacotronの音声サンプルは、 https://google.github.io/tacotron/ から聴けます。僕の実装による音声サンプルはこの記事の真ん中くらいから、あるいは Test Tacotron.ipynb | nbviewer1 から聴くことができます。とても長い記事になっ
Drunkar 2018/05/31
TensorFlow

text to speech

deep learning
リンク
メル周波数ケプストラム係数（MFCC） - 人工知能に関する断創録
Pythonで音声信号処理（2011/05/14）の第19回目。今回は、音声認識の特徴量としてよく見かけるメル周波数ケプストラム係数（Mel-Frequency Cepstrum Coefficients）を求めてみました。いわゆるMFCCです。 MFCCはケプストラム（2012/2/11）と同じく声道特性を表す特徴量です。ケプストラムとMFCCの違いはMFCCが人間の音声知覚の特徴を考慮していることです。メルという言葉がそれを表しています。 MFCCの抽出手順をまとめるとプリエンファシスフィルタで波形の高域成分を強調する窓関数をかけた後にFFTして振幅スペクトルを求める振幅スペクトルにメルフィルタバンクをかけて圧縮する上記の圧縮した数値列を信号とみなして離散コサイン変換する得られたケプストラムの低次成分がMFCC となります。私が参考にしたコードは振幅スペクトルを使ってたけど
Drunkar 2018/05/30
自然言語処理

deep learning

text to speech
リンク
Tacotron2の詳細と解説 : 研究開発
総合研究大学院大学　複合科学研究科　情報学専攻　卒　博士（情報学）自然言語処理や機械学習、データ分析に関する研究内容とwebシステムの開発と運用について書いています。シリコンバレーベンチャーみたいに深い技術の事業化をしたいと思っています。ご興味ある方はご連絡ください。 Tacotron 2のクオリティすごい。もはや人間との違いがほとんど分からないレベル。Audio samples from "Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions" https://t.co/NO5anqUSv1 — Shinya Yuki (@tuntuku_sy) 2017年12月20日 Natural TTS Synthesis by Conditioning WaveNet on Mel Spe
Drunkar 2018/05/30
自然言語処理

deep learning

text to speech
リンク
1