Speech Waveform Synthesis from MFCC Sequences with Generative Adversarial Networks

Lauri Juvela, Bajibabu Bollepalli, Xin Wang, Hirokazu Kameoka, Manu Airaksinen, Junichi Yamagishi, Paavo Alku

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

50 Sitaatiot (Scopus)
340 Lataukset (Pure)

Abstrakti

This paper proposes a method for generating speech from filterbank mel frequency cepstral coefficients (MFCC), which are widely used in speech applications, such as ASR, but are generally considered unusable for speech synthesis. First, we predict fundamental frequency and voicing information from MFCCs with an autoregressive recurrent neural net. Second, the spectral envelope information contained in MFCCs is converted to all-pole filters, and a pitch-synchronous excitation model matched to these filters is trained. Finally, we introduce a generative adversarial network-based noise model to add a realistic high-frequency stochastic component to the modeled excitation signal. The results show that high quality speech reconstruction can be obtained, given only MFCC information at test time.

AlkuperäiskieliEnglanti
Otsikko2018 IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2018 - Proceedings
JulkaisupaikkaUnited States
KustantajaIEEE
Sivut5679-5683
Sivumäärä5
Vuosikerta2018-April
ISBN (elektroninen)978-1-5386-4658-8
ISBN (painettu)978-1-5386-4659-5
DOI - pysyväislinkit
TilaJulkaistu - 10 syysk. 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaIEEE International Conference on Acoustics, Speech, and Signal Processing - Calgary, Kanada
Kesto: 15 huhtik. 201820 huhtik. 2018
https://2018.ieeeicassp.org/

Julkaisusarja

NimiProceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing
ISSN (elektroninen)2379-190X

Conference

ConferenceIEEE International Conference on Acoustics, Speech, and Signal Processing
LyhennettäICASSP
Maa/AlueKanada
KaupunkiCalgary
Ajanjakso15/04/201820/04/2018
www-osoite

Sormenjälki

Sukella tutkimusaiheisiin 'Speech Waveform Synthesis from MFCC Sequences with Generative Adversarial Networks'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.
  • Poikkitieteellinen parametrisen puhesynteesin tutkimusprojekti

    Alku, P. (Vastuullinen tutkija), Bäckström, T. (Projektin jäsen), Juvela, L. (Projektin jäsen), Murtola, T. (Projektin jäsen), Nonavinakere Prabhakera, N. (Projektin jäsen), Bollepalli, B. (Projektin jäsen) & Airaksinen, M. (Projektin jäsen)

    01/01/201831/12/2019

    Projekti: Academy of Finland: Other research funding

  • Poikkitieteellinen parametrisen puhesynteesin tutkimusprojekti

    Juvela, L. (Projektin jäsen), Bäckström, T. (Projektin jäsen), Pohjalainen, J. (Projektin jäsen), Gowda, D. (Projektin jäsen), Jokinen, E. (Projektin jäsen), Alku, P. (Vastuullinen tutkija), Bollepalli, B. (Projektin jäsen), Saeidi, R. (Projektin jäsen), Raitio, T. (Projektin jäsen), Kakouros, S. (Projektin jäsen) & Airaksinen, M. (Projektin jäsen)

    01/01/201531/12/2017

    Projekti: Academy of Finland: Other research funding

Siteeraa tätä