病的な臨床応用向け病理学的テキスト音声合成の重症度制御

科学分野:

• 音声合成
• 病理学的音声
• 機械学習

背景:

• 病理学的音声合成は、音声の重症度を制御する上で課題を提示します。
• 既存のテキスト音声合成（TTS）システムは、多様な病理学的音声特性の生成に苦労しています。
• 単一話者の病理学的音声のためのマルチ重症度データセットの生成は困難です。

研究 の 目的:

• 音声の重症度を制御できる新しい病理学的テキスト音声合成（TTS）システムの開発。
• 合成された病理学的音声の自然さ、制御可能性、および安定性の向上。
• 重症度条件付けのために既存の話者埋め込み（x-vectors）を活用すること。

主な方法:

• データ拡張を利用して、単一話者のマルチ重症度トレーニングデータセットを作成しました。
• 重症度制御のための条件変数としてx-vectorsを採用しました。
• 病理学的音声の持続時間モデリングを改善するためにGradTTSアーキテクチャを変更しました。

主要な成果:

• 提案されたGradTTSシステムは、ベースラインのTransformerTTSと比較して優れたパフォーマンスを示しました。
• 客観的および主観的な評価により、システムの有効性が確認されました。
• より自然で、制御可能で、安定した病理学的音声サンプルを生成することに成功しました。

結論:

• 開発されたGradTTSシステムは、病理学的音声の重症度を効果的に制御できます。
• x-vectorsとアーキテクチャの変更の統合は、病理学的TTS機能を強化します。
• この研究は、制御可能で自然に聞こえる病理学的音声合成の分野を進歩させます。