메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터

주제분류

사회과학
경영학 경제학 관광학 교육학 군사학 무역학 문헌정보학 법학 사회과학일반 사회복지학 사회학 신문방송학 심리과학 정치외교학 지리/지역개발학 지역학 행정학
공학
건축공학 공학일반 기계공학 산업공학 자원/재료공학 전자/제어계측공학 전자/정보통신공학 조선/해양공학 컴퓨터학 토목/환경공학 항공우주공학 화학/생물공학
자연과학
물리학 생물학 생활과학 수학/통계학 자연과학일반 전문/지구과학
의약학
간호학 수의학 약학 의학 의학일반 치의학 한의학
인문학
독일어문학 러시아어문학 문학 언어학 역사학 영어문학 인문학일반 일본어문학 종교학/신학 중국어문학 철학 프랑스어문학 한국어문학
예술체육학
건축 디자인 무용 미술 미용 사진 연극 영화 예술체육학일반 음악 의상 체육
농수해양학
농수해양학일반 농학 수산학 식품과학 임학 축산학 해상운송학
복합학
과학기술학/기술정책 뇌/인지과학 여성학 학제간연구

정기구독(개인)

소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.

회원혜택

로그인 회원이 가져갈 수 있는 혜택들을 확인하고 이용하세요.

아카루트

학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.

영문교정

영문 논문 작성에 도움을 드리기 위해, 영문 교정 서비스를
지원하고 있어요.
고객센터 제휴문의

...

저널정보

저자정보

표지
이용수
내서재
0
내서재에 추가
되었습니다. 내서재에서
삭제되었습니다.

내서재에 추가
되었습니다. 내서재에서
삭제되었습니다.

초록·키워드

오류제보하기
본 논문에서는 점진적 병렬 웨이브넷(progressive parallel waveNet)을 제안하고 이를 음성 합성 보코더인 병렬 웨이브겐(parallel waveGAN) 생성기(generator)에 적용하여 성능을 확인 하였다. 음성 합성 보코더에서 높은 성능을 보이는 병렬 웨이브겐의 생성기인 병렬 웨이브넷(parallel waveNet)은 학습 시 많은 GPU(graphical processing unit)를 필요로 한다. 이를 해결하기 위해서, 병렬 웨이브넷의 구조를 음성의 업샘플링(up-sampling) 과정을 활용하여 점진적인 구조로 변형 하였다. 이는 병렬 웨이브넷에서 연산하는 특징 벡터들의 타임 축 크기 문제를 효과적으로 해결한 구조이다. 또한 음성을 넓은 주파수대역을 점진적으로 처리함으로써 학습의 안정성 및 성능을 높일 수 있는 구조이다. 실험 결과 기존 병렬 웨이브겐과 비교하여 학습 시 적은 GPU 사용량을 보였으며, 음성 생성 시 생성 속도 역시 빠른 것을 확인 할 수 있었다. 최종적으로 음성의 품질을 객관적인 지표로 측정 하였을 때, 소폭 향상된 결과 역시 확인 할 수 있었다.

In this paper, we propose a progressive parallel waveNet and apply it as a generator to parallel waveGAN, a speech synthesis vocoder, to confirm the performance of the proposed model. Parallel waveNet, a generator of parallel waveGAN showing high performance in speech synthesis vocoder, requires a lot of GPUs for training. To solve this problem, the parallel wavenet structure was transformed into a progressive structure using an up-sampling process of speech. This is a structure that effectively solves the large dimension problem of the parallel wavenet. In addition, it is a structure that can increase the stability and performance of learning by gradually estimating a wide frequency band of speech. As a result of the experiment, it was confirmed that less GPU usage on training and faster inference speed compared to parallel waveGAN, and inference speed was also faster. Finally, when speech quality was measured as an objective measurement, a slightly improved result was also confirmed.
#signal processing #neural network #generative model #speech synthesis vocoder #parallel waveGAN #progressive structure

목차

요약
ABSTRACT
Ⅰ. 서론
Ⅱ. 본론
Ⅲ. 실험
Ⅳ. 결론
References

참고문헌 (17)

참고문헌 신청
J. Y. Lee, S. J. Cheon, B. J. Choi, N. S. Kim, and D. H. Hong, “Speech style modeling method using mutual information for end-to-end speech synthesis,” J. KICS, vol. 44, no. 9, pp. 1641-1647, 2019. google schola A. W. Black, H. Zen, and K. Tokuda, “Statistical parametric speech synthesis,” in Proc. ICASSP, pp. 1229-1232, 2007. google schola A. V. D. Oord, S. Dieleman, H. Zen, K. Simonyan, O. Vinyals, A Graves, N. Kalchbrenner, A. Senior, and K. Kavukcuoglu, “WaveNet: A generative model for raw audio,” arXiv preprint arXiv:1609.03499, 2016. google schola S. Kim, S. Lee, J. Song, J. Kim, and S. Yoon, “FloWaveNet : A generative flow for raw audio,” in Proc. ICML, pp. 3370-3378, 2019. google schola W. Ping, K. Peng, and J. Chen, “ClariNet: Parallel wave generation in end-to-end text-to-speech,” in Proc. ICLR, 2019. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0