このページは系列変換モデル[1]を用いたオノマトペからの環境音合成手法[2]のデモページです．以下の2種類の手法により環境音を生成しています．

　　
• オノマトペのみを入力とする環境音合成 (seq2seq)
　　
• オノマトペと音響イベントラベルを入力とする環境音合成 (seq2seq + event label)
本手法ではオノマトペに加え，Decoderへの条件付けのために音響イベントラベルを使用します． 　　

環境音データとしては，RWCP 実環境音声・音響データベース (RWCP-SSD)[3]の中から，10種類の音響イベント（コーヒー豆をミルで挽く音，カップを叩く音，目覚まし時計の音，笛の音，マラカスの音，ドラムを叩く音，ひげ剃りの動作音，金属製のゴミ箱を叩く音，紙を引き裂く音，ベルを鳴らす音）を使用しました．オノマトペのデータは，RWCP-SSD-Onomatopoeia[4]を使用しました．

[1] Ilya Sutskever, Oriol Vinyalsa and Quoc V. Le, "Sequence to Sequence Learning with Neural Networks," arXiv preprint, arXiv:1409.3215, 2014.
[2] Yuki Okamoto, Keisuke Imoto, Shinnosuke Takamichi, Ryosuke Yamanishi, Takahiro Fukumori, and Yoichi Yamashita, "Onoma-to-wave: Environmental Sound Synthesis from Onomatopoeic Words," arXiv preprint, arXiv:2102.05872, 2021.
[3] S. Nakamura, K. Hiyane, F. Asano, and T. Endo, “Acoustical Sound Database in Real Environments for Sound Scene Understanding and Hands-free Speech Recognition,” Proc. Language Resources and Evaluation Conference (LREC), pp. 965–968, 2000.
[4] Yuki Okamoto, Keisuke Imoto, Shinnosuke Takamichi, Ryosuke Yamanishi, Takahiro Fukumori, and Yoichi Yamashita, "RWCP-SSD-Onomatopoeia: Onomatopoeic Word Dataset for Environmental Sound Synthesis," Proc. Detection and Classification of Acoustic Scenes and Events (DCASE), pp. 125-129, 2020.