論文の概要: Synthesizing Dysarthric Speech Using Multi-talker TTS for Dysarthric
Speech Recognition
- arxiv url: http://arxiv.org/abs/2201.11571v1
- Date: Thu, 27 Jan 2022 15:22:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-28 17:52:49.474629
- Title: Synthesizing Dysarthric Speech Using Multi-talker TTS for Dysarthric
Speech Recognition
- Title(参考訳): マルチストーカーTSを用いた義足音声認識の合成
- Authors: Mohammad Soleymanpour, Michael T. Johnson, Rahim Soleymanpour, Jeffrey
Berry
- Abstract要約: Dysarthria は運動性発声障害であり、しばしば発声能力の低下を特徴とする。
頑健な変形性障害に対処するためには,十分な訓練音声が必要である。
テキスト音声合成の最近の進歩は、データ拡張に合成を利用する可能性を示している。
- 参考スコア(独自算出の注目度): 4.637732011720613
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dysarthria is a motor speech disorder often characterized by reduced speech
intelligibility through slow, uncoordinated control of speech production
muscles. Automatic Speech recognition (ASR) systems may help dysarthric talkers
communicate more effectively. To have robust dysarthria-specific ASR,
sufficient training speech is required, which is not readily available. Recent
advances in Text-To-Speech (TTS) synthesis multi-speaker end-to-end TTS systems
suggest the possibility of using synthesis for data augmentation. In this
paper, we aim to improve multi-speaker end-to-end TTS systems to synthesize
dysarthric speech for improved training of a dysarthria-specific DNN-HMM ASR.
In the synthesized speech, we add dysarthria severity level and pause insertion
mechanisms to other control parameters such as pitch, energy, and duration.
Results show that a DNN-HMM model trained on additional synthetic dysarthric
speech achieves WER improvement of 12.2% compared to the baseline, the addition
of the severity level and pause insertion controls decrease WER by 6.5%,
showing the effectiveness of adding these parameters. Audio samples are
available at
- Abstract(参考訳): Dysarthria は、しばしば発声筋の緩やかで非協調的な制御によって発声能力の低下を特徴とする運動性発声障害である。
自動音声認識システム(ASR)は、難聴者のより効果的なコミュニケーションを支援する。
頑健な変形性関節症特異的なASRを得るためには、十分な訓練音声が必要である。
テキスト音声合成システム(TTS)の最近の進歩は、データ拡張に合成を利用する可能性を示している。
本稿では, 変形性関節症特異的DNN-HMM ASRの訓練を改善するために, マルチスピーカ・エンド・ツー・エンドTSシステムの改良を目指している。
合成音声では, ピッチ, エネルギー, 持続時間などの他の制御パラメータに構音重症度レベルとポーズ挿入機構を付加する。
以上の結果から,DNN-HMMモデルでは, ベースラインに比べてWERが12.2%向上し, 重度レベルが増加し, ポーズ挿入制御が6.5%減少し, これらのパラメータを追加する効果が示された。
オーディオサンプルはこちらで入手できる。
関連論文リスト
- Homogeneous Speaker Features for On-the-Fly Dysarthric and Elderly Speaker Adaptation [71.31331402404662]
本稿では, 変形性関節症と高齢者の話者レベルの特徴を学習するための2つの新しいデータ効率手法を提案する。
話者規則化スペクトルベース埋め込み-SBE特徴は、特別な正規化項を利用して適応における話者特徴の均一性を強制する。
テスト時間適応において、話者レベルのデータ量に敏感であることが示されるVR-LH機能に規定されている特徴ベースの学習隠れユニットコントリビューション(f-LHUC)。
論文 参考訳(メタデータ) (2024-07-08T18:20:24Z) - UNIT-DSR: Dysarthric Speech Reconstruction System Using Speech Unit
Normalization [60.43992089087448]
変形性音声再構成システムは、変形性音声を正常な音声に変換することを目的としている。
本稿では,HuBERTのドメイン適応能力を活用して学習効率を向上させるユニットDSRシステムを提案する。
NEDアプローチと比較すると、ユニットDSRシステムは音声単位正規化器とユニットHiFi-GANボコーダのみで構成されている。
論文 参考訳(メタデータ) (2024-01-26T06:08:47Z) - Accurate synthesis of Dysarthric Speech for ASR data augmentation [5.223856537504927]
Dysarthria は運動性発声障害であり、しばしば発声能力の低下を特徴とする。
本稿では,ASRトレーニングデータ拡張を目的とした新しい音声合成法を提案する。
論文 参考訳(メタデータ) (2023-08-16T15:42:24Z) - Speaker Adaptation Using Spectro-Temporal Deep Features for Dysarthric
and Elderly Speech Recognition [48.33873602050463]
話者適応技術は、そのようなユーザのためのASRシステムのパーソナライズに重要な役割を果たしている。
変形性関節症、高齢者、および正常音声の分光時間差による動機づけ
SVD音声スペクトルを用いた新しい分光時空間ベース深層埋め込み
論文 参考訳(メタデータ) (2022-02-21T15:11:36Z) - Recent Progress in the CUHK Dysarthric Speech Recognition System [66.69024814159447]
障害音声は、現在のデータ集約型ディープニューラルネットワーク(DNN)に基づく自動音声認識技術に対して、幅広い課題を提示している。
本稿では,香港の中国大学における音声認識システムの性能向上に向けた最近の研究成果について述べる。
論文 参考訳(メタデータ) (2022-01-15T13:02:40Z) - Investigation of Data Augmentation Techniques for Disordered Speech
Recognition [69.50670302435174]
本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。
正常な音声と無秩序な音声の両方が増強過程に利用された。
UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
論文 参考訳(メタデータ) (2022-01-14T17:09:22Z) - Silent Speech Interfaces for Speech Restoration: A Review [59.68902463890532]
サイレント音声インタフェース (SSI) の研究は、重度音声障害の患者に対して、代替的で拡張的なコミュニケーション方法を提供することを目的としている。
SSIは、コミュニケーションを可能にするために、音声生成中に人体によって生成される非音響バイオシグナーに依存している。
現在、ほとんどのSSIは、健康なユーザーのために実験室でのみ検証されている。
論文 参考訳(メタデータ) (2020-09-04T11:05:50Z) - Enhancing Speech Intelligibility in Text-To-Speech Synthesis using
Speaking Style Conversion [17.520533341887642]
本稿では,Tacotron と WaveRNN を用いた TTS 合成を用いた新しいトランスファー学習手法を提案する。
提案した音声システムは, (a)ロンバルド話し方データと (b)スペクトル整形とダイナミックレンジ圧縮 (SSDRC) の2つの修正手法を利用する。
Bits測定におけるIntelligibilityによる定量化による信頼性向上は,提案したLombard-SSDRC TTSシステムにおいて,音声形雑音(SSN)の110%から130%,競合話者雑音(CSN)の47%から140%に有意な改善が認められたことを示している。
論文 参考訳(メタデータ) (2020-08-13T10:51:56Z) - Improving Dysarthric Speech Intelligibility Using Cycle-consistent
Adversarial Training [4.050982413149992]
本研究の目的は,Cycle-Consistent GANを用いた難聴から健全な音声変換のためのモデルを開発することである。
ジェネレータは、関節をスペクトル領域の健全な音声に変換するように訓練され、その後音声に変換される。
論文 参考訳(メタデータ) (2020-01-10T01:40:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。