構造化状態空間シーケンスモデル(S4)は、シーケンスモデリングにおいて長距離依存性を扱う技術革新で、特に音声処理で有効である。自己アテンションモデルの代替として、自動音声認識や音声合成に利用されている。本研究では、S4を基に、モノラル音声から両耳音声合成の新モデルを開発。このモデルは位置情報、両耳時間差、事前に学習された両耳音声を活用し、従来の方法と同等の品質で音声合成を可能にする。これはS4のシーケンスモデリング適用性の拡張を示し、条件付き音声合成にも適用可能であることを示唆している。