VoiceChanger Demo Page

深層学習を使ったボイスチェンジャーのサンプル音声を添付するページです．
いいものができたら差し替える予定です．

Audio samples

2021-01-05

STFTの条件とネットワークの層数を変更しました。
JVS001～JVS010をJVS010に変換した結果
Condition Input Result
Target audio
JVS010		 Truth (16kHz downsampled) WaveRNN Vocoder
Input：JVS001
Output：JVS010
Input：JVS002
Output：JVS010
Input：JVS003
Output：JVS010
Input：JVS004
Output：JVS010
Input：JVS005
Output：JVS010
Input：JVS007
Output：JVS010
Input：JVS008
Output：JVS010
Input：JVS009
Output：JVS010
Input：JVS010
Output：JVS010
JVS002をJVS001～JVS010に変換した結果
Condition Target Result
Input audio
JVS002		 Truth (16kHz downsampled) WaveRNN Vocoder
Input：JVS002
Output：JVS001
Input：JVS002
Output：JVS002
Input：JVS002
Output：JVS003
Input：JVS002
Output：JVS004
Input：JVS002
Output：JVS005
Input：JVS002
Output：JVS007
Input：JVS002
Output：JVS008
Input：JVS002
Output：JVS009
Input：JVS002
Output：JVS010

2020-11-16


スペクトログラムを変換するネットワークと，スペクトログラムを波形にするボコーダーから構成されており， ボコーダーは2種類作成してあります．
1つは畳み込み層のみで構成されているため，リアルタイムの0.06倍程度
もう1つは再帰ニューラルネットワークを使用しているため，リアルタイムの7倍程度
の時間を必要とします．
Condition Convolution vocoder (Fast) RNN vocoder (Slow)
Input：JVS004
Vocoder only
Input：JVS004
Target：JVS001
Input：JVS004
Target：JVS001*0.9+JVS004*0.1
Input：JVS004
Target：JVS001*0.8+JVS004*0.2
Input：JVS004
Target：JVS001*0.7+JVS004*0.3
Input：JVS004
Target：JVS001*0.6+JVS004*0.4
Input：JVS004
Target：JVS001*0.5+JVS004*0.5
Input：JVS004
Target：JVS001*0.4+JVS004*0.6
Input：JVS004
Target：JVS001*0.3+JVS004*0.7
Input：JVS004
Target：JVS001*0.2+JVS004*0.8
Input：JVS004
Target：JVS001*0.1+JVS004*0.9
Input：JVS004
Target：JVS004
Input：JVS004
Target：From JVS004 To JVS 001 linearly