混合密度ネットワーク(MDN)を拡張し、HSMMの構造を導入した新しいDNNに基づく音声合成の枠組みを提案しました。提案法はニューラルネットワークの出力からHSMMのパラメータを求めることで、音響特徴量系列とその時間構造の同時学習を実現します。実験結果から、提案法は計算量を大幅に削減しながら、従来のDNN音声合成と同等の性能を示しました。