第120回音声言語情報処理研究会・第118回音楽情報科学研究会 共催研究会 参加案内

2018年2月に筑波山 江戸屋旅館にて合宿形式で開催される第120回音声言語情報処理研究会 (SIG-SLP) と第118回音楽情報科学研究会 (SIG-MUS) の共催研究会の暫定プログラムが出来ましたので、ご案内をさせていただきます。
Jordi Bonada博士による招待講演に加え、Google Senior Research ScientistのYuxuan Wang博士による招待講演があります。
今回は、1泊2日の合宿形式で開催します。音楽情報科学分野での交流を深めることのできる機会ですので、多くの皆様のご参加をお待ちしております。
本研究会は終了いたしました．ご参加ありがとうございました．なお，下記の研究発表が表彰されました．

GENERAL INFORMATION ｜ 概要

日時: 2018年2月20日(火)・21日(水)
会場: 筑波山 江戸屋旅館 http://www.tsukubasan.co.jp
交通アクセス: アクセスマップ
関東鉄道 筑波山シャトルバス つくばセンター・筑波山神社入口 (臨時バス運行予定 36分720円)

研究会参加費

合宿参加代：14,800円
20日の夕食と21日の朝食・昼食を含みます（食事不要でも値引きはできません）。
本合宿参加には、発表者の方も含め、事前登録が必要です。事前参加登録は1月22日(月)までに下記URLからお願いします。
http://www.knt.co.jp/ec/2018/SIGMUS/index.html
別途、当日以下の通りにお支払いください．
【SIGMUS研究会登録者・準登録者】無料
一般：情報処理学会 正会員：2,000円
一般：情報処理学会 非会員：3,000円
学生：情報処理学会 学生会員：500円
学生：情報処理学会 非会員：1,000円
<a

特別企画セッション

・“A Neural Parametric Singing Synthesizer: Modeling Timbre and Expression from Natural Songs” Dr. Jordi Bonada (Universitat Pompeu Fabra, Spain)
Abstract: We recently presented a new model for singing synthesis based on a modified version of the WaveNet architecture. Instead of modeling raw waveform, we model features produced by a parametric vocoder that separates the influence of pitch and timbre. This allows conveniently modifying pitch to match any target melody, facilitates training on more modest dataset sizes, and significantly reduces training and generation times. Nonetheless, compared to modeling waveform directly, ways of effectively handling higher-dimensional outputs, multiple feature streams and regularization become more important with our approach. In this work, we extend our proposed system to include additional components for predicting F0 and phonetic timings from a musical score with lyrics. These expression-related features are learned together with timbrical features from a single set of natural songs. We compare our method to existing statistical parametric, concatenative, and neural network-ba!
sed approaches using quantitative metrics as well as listening tests.

・Tacotron: End-to-end high quality speech synthesis Dr. Yuxuan Wang (Google, USA)
Abstract: Text-to-speech synthesis system typically consists of multiple stages, such as a text analysis frontend, an acoustic model and an audio synthesis module. Building these components often requires extensive domain expertise and may contain brittle design choices. In this talk, I will describe recent advances on end-to-end neural speech synthesis modeling at Google.
I will start from introducing Tacotron, our first generation end-to-end model that synthesizes speech directly from characters.
Given <text, audio> pairs, the model can be trained completely from scratch with random initialization. Tacotron greatly simplifies TTS pipeline and outperforms a production parametric system in terms of mean opinion score (MOS). To further improve audio quality, I will describe Tacotron 2, which combines Tacotron with a modified WaveNet model acting as a vocoder.
Tacotron 2 achieves a MOS of
4.53 comparable to a MOS of 4.58 for professionally recorded speech. In addition to audio quality, prosodic modeling is also a core problem for speech synthesis. In the end, I will discuss “style token”, an unsupervised method for style modeling and control with end-to-end models like Tacotron.

・国際会議Interspeech2017報告
・デモセッション

ポジションペーパー名札

音楽情報科学研究会では従来から参加者の交流促進や議論活性化に活用できるポジションペーパー名札を導入しています．
「ポジションペーパー名札の導入について」
聴講のみのご参加の方も上記ページの説明をよくお読みになって，参加当日までに同様の名札を作成して会場へご持参されることをお勧めします．

ライブ動画中継

SIGMUSでは，2012年度から原則としてすべての登壇発表に対し，インターネットを利用した研究発表の動画中継・アーカイブを実施しております（ 詳しくはこちら）．2015年度からは本格運用として，情報処理学会のプレス発表 「学術コンテンツを広く世に届けるため，情報処理学会とニコニコが提携」に基づいて， 情報処理学会チャンネル を用いた動画中継と永続的なアーカイブを実施しています．