JP2020154176A - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents

Abstract

【課題】ユーザの認証精度を向上させること。【解決手段】本願に係る情報処理装置は、第１照合部と、第２照合部と、認証部とを備える。第１照合部は、ユーザの入力音声と、予め登録されたユーザの音声である正解音声とを照合する。第２照合部は、入力音声から推定したユーザのゲノム情報に基づいて推定したユーザの音声であるゲノム音声と、予め登録されたゲノム音声である正解ゲノム音声とを照合する。認証部は、第１照合部および第２照合部それぞれの照合結果に基づいてユーザを認証する。【選択図】図３

Description

本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。

従来、入力される音声に基づいて話者と特定する認証装置がある。この種の認証装置では、入力される音声を分析して特徴パラメータを抽出し、特徴パラメータに基づいて話者を特定する機械学習のモデルを生成する技術が提案されている（例えば、特許文献１参照）。

特開２００３−０７６３９０号公報

しかしながら、従来技術は、音声によるユーザの認証精度を向上させる点で改善の余地があった。

本願は、上記に鑑みてなされたものであって、ユーザの認証精度を向上させることができる情報処理装置、情報処理方法および情報処理プログラムを提供することを目的とする。

本願に係る情報処理装置は、第１照合部と、第２照合部と、認証部とを備える。前記第１照合部は、ユーザの入力音声と、予め登録された前記ユーザの音声である正解音声とを照合する。前記第２照合部は、前記入力音声から推定した前記ユーザのゲノム情報に基づいて推定した前記ユーザの音声であるゲノム音声と、予め登録された前記ゲノム音声である正解ゲノム音声とを照合する。前記認証部は、前記第１照合部および前記第２照合部それぞれの照合結果に基づいて前記ユーザを認証する。

実施形態の一態様によれば、ユーザの認証精度を向上させることができるという効果を奏する。

図１Ａは、実施形態に係る情報処理の一例を示す図である。 図１Ｂは、実施形態に係る情報処理の一例を示す図である。 図２は、実施形態に係る情報処理システムの構成を示す図である。 図３は、実施形態に係る情報処理装置の構成例を示すブロック図である。 図４は、ユーザ情報の一例を示す図である。 図５は、モデル情報の一例を示す図である。 図６は、認証情報の一例を示す図である。 図７は、実施形態に係る情報処理装置が実行するモデル生成処理の手順を示すフローチャートである。 図８は、実施形態に係る情報処理装置が実行する音声生成処理の手順を示すフローチャートである。 図９は、実施形態に係る情報処理装置が実行する認証処理の手順を示すフローチャートである。 図１０は、実施形態に係る情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置、情報処理方法および情報処理プログラムを実施するための形態（以下、「実施形態」と記載する）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法および情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

まず、図１Ａおよび図１Ｂを用いて、実施形態に係る情報処理プログラムにより実現される情報処理の一例について説明する。図１Ａおよび図１Ｂは、実施形態に係る情報処理の一例を示す図である。図１Ａでは、ユーザから入力される音声情報に基づいて認証用音声を登録する音声登録処理を示し、図１Ｂでは、認証用音声を用いた認証処理を示す。

まず、図１Ａを用いて、音声登録処理について説明する。具体的には、図１Ａに示すように、まず、実施形態に係る情報処理装置は、ユーザから音声情報を取得する（Ｓ１）。音声情報は、マイク等により入力された音声を解析した解析結果、例えば、音声の周波数特性等の音響特徴や音素の配列に関する言語特徴等を含む情報である。なお、音声情報は、マイク等により集音された音声そのものであってもよい。

つづいて、実施形態に係る情報処理装置は、取得した音声情報を、認証用音声のうち正解音声として記憶（登録）する（Ｓ２）。

また、実施形態に係る情報処理装置は、取得した音声情報を用いて音声生成処理を実行する（Ｓ３）。具体的には、実施形態に係る情報処理装置は、ゲノムモデルおよび話者モデルを予め生成し、記憶している。

ゲノムモデルは、事前に取得した教師ユーザのゲノム情報および音声情報を用いた機械学習によって生成されるモデルであって、音声情報を入力することでユーザのゲノム特徴を示すゲノム情報を出力するモデルである。

話者モデルは、事前に取得した教師ユーザのゲノム情報および音声情報を用いた機械学習によって生成されるモデルであって、ゲノム情報を入力することでユーザの音声特徴を示す音声情報を出力するモデルである。なお、ゲノムモデルおよび話者モデルの詳細な生成方法については後述する。

音声生成処理において、実施形態に係る情報処理装置は、まず、取得したユーザの音声情報をゲノムモデルに入力して、ゲノム情報を出力するとともに、かかるゲノム情報を話者モデルに入力して音声情報を出力する。そして、実施形態に係る情報処理装置は、出力した音声情報を、認証用音声のうち正解ゲノム音声として記憶（登録）する（Ｓ４）。

つまり、実施形態に係る情報処理装置は、音声登録処理によって、特性の異なる２種類の音声を認証用音声として登録し、図１Ｂに示す認証処理に用いる。

次に、図１Ｂを用いて、認証処理について説明する。なお、図１Ｂに示す認証処理は、音声登録処理から所定期間が経過しているものとする。図１Ｂに示すように、実施形態に係る情報処理装置は、まず、認証対象となるユーザ、すなわち、認証用音声の登録が済んだユーザから音声情報を取得する（Ｓ１１）。

つづいて、実施形態に係る情報処理装置は、取得した音声情報である入力音声と、予め登録された正解音声とを照合する第１照合処理を実行する（Ｓ１２）。

また、実施形態に係る情報処理装置は、取得した音声情報を用いて音声生成処理を実行する（Ｓ１３）。具体的には、実施形態に係る情報処理装置は、取得した音声情報をゲノムモデルに入力して、ゲノム情報を出力するとともに、かかるゲノム情報を話者モデルに入力して音声情報を出力する。そして、実施形態に係る情報処理装置は、話者モデルから出力した音声情報であるゲノム音声と、予め登録された正解ゲノム音声とを照合する第２照合処理を実行する（Ｓ１４）。

つづいて、実施形態に係る情報処理装置は、第１照合処理および第２照合処理それぞれの照合結果に基づいてユーザを認証する認証処理を実行する（Ｓ１５）。例えば、実施形態に係る情報処理装置は、第１照合処理の入力音声および正解音声の類似度、および、第２照合処理のゲノム音声および正解ゲノム音声の類似度それぞれが所定の閾値条件を満たした場合に、ユーザを認証する。

つまり、実施形態に係る情報処理装置は、入力音声に基づく照合と、モデルから出力された音声情報に基づく照合との２段階で認証処理を実行することで、認証精度を向上させることができる。さらに、実施形態に係る情報処理装置は、例えば、時間経過に伴いユーザの声が変化して正解音声との差異が生じた場合であっても、モデルから出力される音声情報を用いて照合処理を行うことで、認証精度が不安定となることを防止できる。

次に、図２を用いて、実施形態に係る情報処理システムのシステム構成について説明する。図２は、実施形態に係る情報処理システムの構成を示す図である。

図２に示すように、実施形態に係る情報処理システムＳは、情報処理装置１と、複数の端末装置１０−１〜１０−ｎと、機関端末１００とを備える。これら情報処理装置１、複数の端末装置１０−１〜１０−ｎおよび機関端末１００は、ネットワークＮを介して有線または無線により互いに通信可能に接続される。ネットワークＮは、例えば、ＬＡＮ（Local Area Network）や、インターネットなどのＷＡＮ（Wide Area Network）である。端末装置１０−１〜１０−ｎは、ユーザＵ−１〜Ｕ−ｎによって操作される。

以下においては、端末装置１０−１〜１０−ｎの各々を区別せずに示す場合、端末装置１０と記載し、ユーザＵ−１〜Ｕ−ｎの各々を区別せずに示す場合、ユーザＵと記載する。また、ユーザＵには、上記した教師ユーザおよび対象ユーザが含まれる。

端末装置１０は、ユーザＵの端末装置であり、スマートフォン、タブレット型端末、ＰＤＡ（Personal Digital Assistant）、パーソナルコンピュータなどのスマートデバイス（通信端末）である。端末装置１０は、ブラウザや、各種のアプリケーション等が実行可能である。

端末装置１０は、ブラウザやアプリケーションから、機関端末１００にネットワークＮを介してアクセスして、遺伝解析の解析依頼を行う。また、端末装置１０は、例えば、マイク等を備え、ユーザＵが発する音声を集音し、音声情報として情報処理装置１へ送信することができる。

機関端末１００は、遺伝解析を行う解析機関が所有する端末装置である。機関端末１００は、ネットワークＮを介して、端末装置１０からユーザＵの解析依頼を受け付けたり、遺伝解析の結果であるゲノム情報を情報処理装置１へ送信したりする。

なお、図２では、端末装置１０および情報処理装置１を別体で構成する場合を示したが、例えば、端末装置１０および情報処理装置１を一体で構成し、情報処理装置１の各処理を端末装置１０が実行してもよい。

次に、図３を用いて、実施形態に係る情報処理装置１の構成について説明する。図３は、実施形態に係る情報処理装置１の構成例を示すブロック図である。

図３に示すように、情報処理装置１は、通信部２と、制御部３と、記憶部４とを備える。

通信部２は、たとえば、ＮＩＣ（Network Interface Card）等によって実現される。通信部２は、ネットワークＮと有線または無線で接続され、ネットワークＮを介して、端末装置１０や機関端末１００との間で情報の送受信を行う。

記憶部４は、たとえば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。図３に示すように、記憶部４は、ユーザ情報４０と、モデル情報４１と、認証情報４２とを記憶する。

ユーザ情報４０は、ユーザＵの情報であるユーザ情報を含む。図４は、ユーザ情報の一例を示す図である。ユーザ情報は、例えば、ゲノム情報や音声情報の取得時に生成される。

図４に示すように、ユーザ情報には、「ユーザＩＤ」、「属性」、「ゲノム情報」および「音声情報」といった項目を含む。

「ユーザＩＤ」は、ユーザＵを識別する識別情報である。「属性」は、ユーザＵの属性に関する情報であり、例えば、デモグラフィック属性や、サイコグラフィック属性を含む。「ゲノム情報」は、例えば、ユーザＵの唾液等を採取して抽出されるユーザＵの遺伝子に関する情報であり、例えば、ユーザＵの健康リスクに関する情報や、ユーザＵの体質に関する情報、ユーザＵの塩基配列やアミノ酸配列等の遺伝暗号に関する情報が含まれる。なお、ゲノム情報は、他の検査機関で生成されたゲノム情報を含んでもよい。「音声情報」は、ユーザＵの音声特徴を示す音声情報であり、例えば、ユーザＵの入力音声を解析した解析結果や、入力音声そのものが含まれる。

次に、モデル情報４１は、後述の生成部３１によって生成されるモデルに関する情報である。図５は、モデル情報の一例を示す図である。図５に示すように、モデル情報には、「モデルＩＤ」、「モデル出力」および「モデル情報」といった項目が含まれる。

「モデルＩＤ」は、話者モデルを識別する識別情報である。「モデル出力」は、モデルから出力される情報を示す。「モデル情報」は、音声特徴を示す指標を出力するためのモデルの情報を示す。

図５に示す例において、モデルＩＤが「Ｍ１」のモデルは、ゲノム情報を出力するゲノムモデルであり、モデルＩＤが「Ｍ２」のモデルは、音声情報を出力する話者モデルである。

なお、モデル情報４１において、モデルＩＤで識別される各モデルは、例えば、性別や、国籍、年齢等によって区分けされてもよく、ゲノムモデルおよび話者モデルそれぞれは
、１つのモデルであってもよい。

次に、認証情報４２は、後述の第１照合部３３および第２照合部３４の照合処理に用いられる認証用音声を含んだ情報である。図６は、認証情報４２の一例を示す図である。図６に示すように、認証情報４２には、「ユーザＩＤ」、「正解音声」および「正解ゲノム音声」といった項目が含まれる。

「正解音声」は、後述の取得部３０が取得する音声情報である。「正解ゲノム音声」は、後述の推定部３２によって推定される音声情報である。

制御部３は、コントローラ（controller）であり、たとえば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部３は、たとえば、コントローラであり、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

制御部３は、取得部３０と、生成部３１と、推定部３２と、第１照合部３３と、第２照合部３４と、認証部３５とを備える。

取得部３０は、ユーザＵの各種情報を取得する。取得部３０は、例えば、後述の生成部３１にモデル作成の際には、ゲノム情報および音声情報を取得する。また、取得部３０は、ゲノム情報や音声情報を取得したユーザＵに関するユーザ情報である属性情報等を取得する。取得部３０は、取得したゲノム情報、音声情報および属性情報等をユーザ情報４０として記憶部４に記憶する。

また、取得部３０は、上述した音声生成処理を行う際には、音声情報を取得し、取得した音声情報を認証情報４２における「正解音声」として記憶する。また、取得部３０は、上述した認証処理を行う際には、音声情報を取得し、取得した音声情報を推定部３２および第１照合部３３へ出力する。

生成部３１は、取得部３０によって取得されたユーザＵ（教師ユーザ）のゲノム情報および音声情報に基づいて機械学習のモデルであるゲノムおよび話者モデルを生成する。具体的には、生成部３１は、教師ユーザの音声情報を教師とし、教師ユーザのゲノム情報を素性とする機械学習によって、音声特徴に関する指標を出力する話者モデルを生成する。

また、生成部３１は、教師ユーザのゲノム情報を教師とし、教師ユーザの音声情報を素性とする機械学習によって、ゲノム特徴に関する指標を出力するゲノムモデルを生成する。

例えば、生成部３１は、機械学習として、ニューラルネットワークを用いる場合、ゲノム情報および音声情報に基づいて、ニューラルネットワークにおける各重みを学習する。

より具体的には、生成部３１は、教師ユーザの音声情報を目的変数（教師）とし、ゲノム情報およびユーザ情報から抽出される各特徴情報を説明変数（素性）とする回帰モデルを学習モデルとして求めることができる。

ゲノム情報から抽出される特徴情報には、例えば、ユーザＵの音声器官の形状等に関する情報や、ユーザＵの音声の周波数特性に関する情報、ユーザＵの体格や体質に関する情報等がある。また、ユーザ情報から抽出される特徴情報には、ユーザＵの出身地や、過去の居住地、居住期間、年齢、性別等の属性に関する情報等が含まれる。

また、話者モデルから出力される指標には、例えば、音声の周波数特性を示すスコアや、音声の抑揚を示すスコア、音声の強弱を示すスコア、音素の配列を示すスコア等が含まれる。なお、生成部３１は、上記のスコア毎に話者モデルを生成してもよく、全てのスコアを総合したスコアを出力する１つの話者モデルを生成してもよい。

また、生成部３１は、教師ユーザのゲノム情報を目的変数（教師）とし、音声情報およびユーザ情報から抽出される各特徴情報を説明変数（素性）とする回帰モデルを学習モデルとして求めることができる。

音声情報から抽出される特徴情報には、例えば、ユーザＵの音声器官の形状等に関する情報や、ユーザＵの音声の周波数特性に関する情報、ユーザＵの音素の配列に関する情報等がある。また、ユーザ情報から抽出される特徴情報には、ユーザＵの出身地や、過去の居住地、居住期間、年齢、性別等の属性に関する情報等が含まれる。

また、ゲノムモデルから出力される指標には、例えば、ユーザＵのゲノムの型を示すスコアや、遺伝子の塩基配列や、アミノ酸配列に関するスコア等が含まれる。ゲノムの型とは、ゲノムの特徴で分類した場合の区分を示す。なお、生成部３１は、上記のスコア毎にゲノムモデルを生成してもよく、全てのスコアを総合したスコアを出力する１つのゲノムモデルを生成してもよい。

なお、生成部３１が用いる機械学習の学習モデルは、ニューラルネットワークに限定されるものではなく、例えば、ＳＶＭ（Support Vector Machine）等の他の機械学習の学習モデルを用いてもよい。

また、生成部３１は、深層学習（ディープラーニング）の技術を用いてモデルを生成することもできる。例えば、生成部３１は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いてモデルを生成することができる。

また、生成部３１は、ゲノムモデルを生成後については、ゲノムモデルの更新処理を行う。具体的には、生成部３１は、ゲノムモデルを用いて後述の推定部３２によって推定された所定のユーザＵのゲノム情報と、取得部３０によって取得された当該ユーザＵのゲノム情報との照合結果に基づいてゲノムモデルを更新する。

例えば、生成部３１は、ニューラルネットワークにおける各重みを更新する。具体的には、生成部３１は、推定部３２によって推定されるゲノム情報と、取得部３０によって取得されるゲノム情報との類似度が所定の閾値以上となるように、ニューラルネットワークにおける各重みを更新する。

例えば、生成部３１は、ニューラルネットワークにおける各重みを更新する。具体的には、生成部３１は、推定部３２によって推定される音声情報と、取得部３０によって取得される音声情報との類似度が所定の閾値以上となるように、ニューラルネットワークにおける各重みを更新する。

推定部３２は、生成部３１によって生成されたモデルを用いて、ユーザＵのゲノム情報および音声情報を推定する。具体的には、推定部３２は、上述した音声生成処理においては、取得部３０によって取得された音声情報をゲノムモデルに入力して得られた指標をもとに、ゲノム情報を推定する。さらに、推定部３２は、推定したゲノム情報を話者モデルに入力して得られた指標をもとに、ゲノム音声である音声情報を推定する。そして、推定部３２は、音声生成処理において推定したゲノム音声を認証情報４２の「正解ゲノム音声」として記憶する。

また、推定部３２は、上述した認証処理においては、取得部３０によって取得された音声情報をゲノムモデルに入力して得られた指標を元にゲノム情報を推定する。さらに、推定部３２は、推定したゲノム情報を話者モデルに入力して得られた指標をもとにゲノム音声である音声情報を推定する。そして、推定部３２は、認証処理において推定したゲノム音声を第２照合部３４へ出力する。

第１照合部３３は、ユーザＵの入力音声と、予め登録されたユーザＵの音声である正解音声とを照合する。具体的には、第１照合部３３は、取得部３０が取得した音声情報である入力音声と、記憶部４に記憶された認証情報４２の正解音声とを照合する。

第１照合部３３は、照合結果として、入力音声および正解音声の類似度（第１類似度）を算出する。具体的には、第１照合部３３は、音声の周波数特性等の音響特徴や音素の配列に関する言語特徴等の第１類似度を算出する。

第２照合部３４は、入力音声から推定したユーザＵのゲノム情報に基づいて推定したユーザＵの音声であるゲノム音声と、予め登録されたゲノム音声である正解ゲノム音声とを照合する。

具体的には、第２照合部３４は、取得部３０が取得した音声情報を基に推定部３２が推定した音声情報であるゲノム音声と、記憶部４に記憶されて認証情報４２の正解ゲノム音声とを照合する。

第２照合部３４は、照合結果として、ゲノム音声および正解ゲノム音声の類似度（第２類似度）を算出する。具体的には、第２照合部３４は、音声の周波数特性等の音響特徴や音素の配列に関する言語特徴等の第２類似度を算出する。

認証部３５は、第１照合部３３および第２照合部３４それぞれの照合結果に基づいてユーザＵを認証する。例えば、認証部３５は、第１照合部３３が算出した第１類似度、および、第２照合部３４が算出した第２類似度それぞれが所定の閾値条件を満たす場合にユーザＵを認証する。

具体的には、認証部３５は、第１類似度が第１閾値以上、かつ、第２類似度が第２閾値以上の場合に、ユーザＵを認証する。より具体的には、認証部３５は、第１類似度が第１閾値以上、かつ、第２類似度が第１閾値よりも高い第２閾値以上の場合に、ユーザＵを認証する。

すなわち、認証部３５は、認証処理において、第１閾値よりも第２閾値が高くなるように閾値設定する。これは、第２類似度が、モデルから出力されたゲノム音声を元に算出されるためであり、換言すれば、ゲノム音声および正解ゲノム音声が経年によるユーザＵの声の変化の影響が小さく、類似度の値が比較的高く（一致度が高く）なるためである。

なお、認証部３５は、例えば、第１類似度のみが閾値条件を満たす、もしくは、第２類似度のみが閾値条件を満たす場合に、ユーザＵを認証してもよい。

次に、図７〜図９を用いて、実施形態に係る情報処理装置１が実行する処理の手順について説明する。まず、図７を用いて、モデル生成処理の処理手順について説明する。

図７は、実施形態に係る情報処理装置１が実行するモデル生成処理の手順を示すフローチャートである。図７に示すように、取得部３０は、教師ユーザのゲノム情報を取得する（Ｓ１０１）。

つづいて、取得部３０は、教師ユーザの音声情報を取得する（Ｓ１０２）。なお、図７において、Ｓ１０１およびＳ１０２の処理手順は入れ替わってもよい。

つづいて、生成部３１は、教師ユーザのゲノム情報および音声情報に基づいて、ゲノム特徴に関する指標を出力するゲノムモデルおよび音声特徴に関する指標を出力する話者モデルを生成する（Ｓ１０３）。

つづいて、生成部３１は、生成したゲノムモデルおよび話者モデルをモデル情報４１として記憶部４に記憶し（Ｓ１０４）、処理を終了する。

次に、図８を用いて、音声生成処理の処理手順について説明する。図８は、実施形態に係る情報処理装置１が実行する音声生成処理の手順を示すフローチャートである。なお、図８に示す音声生成処理は、認証用音声の登録時、および、認証処理時それぞれのタイミングで実行される。

図８に示すように、まず、取得部３０は、認証対象となるユーザＵの音声情報を取得する（Ｓ２０１）。

つづいて、推定部３２は、取得した音声情報をゲノムモデルに入力して得られた指標をもとに、ゲノム情報を推定する（Ｓ２０２）。

つづいて、推定部３２は、推定したゲノム情報を話者モデルに入力して得られた指標をもとに、ゲノム音声である音声情報を推定し（Ｓ２０３）、処理を終了する。

次に、図９を用いて、認証処理の処理手順について説明する。図９は、実施形態に係る情報処理装置１が実行する認証処理の手順を示すフローチャートである。

図９に示すように、取得部３０は、認証処理の対象となるユーザＵの音声情報を取得する（Ｓ３０１）。

つづいて、推定部３２は、上述した音声生成処理によりゲノム音声を推定する（Ｓ３０２）。

つづいて、第１照合部３３は、取得部３０が取得した音声情報である入力音声および予め登録された正解音声の第１類似度を算出する（Ｓ３０３）。

つづいて、第２照合部３４は、推定した音声情報であるゲノム音声および予め登録されたゲノム音声である正解ゲノム音声の第２類似度を算出する（Ｓ３０４）。

つづいて、認証部３５は、第１類似度が第１閾値以上であるか否かを判定する（Ｓ３０５）。

認証部３５は、第１類似度が第１閾値以上である場合（Ｓ３０５：Ｙｅｓ）、第２類似度が第２閾値以上であるか否かを判定する（Ｓ３０６）。

認証部３５は、第２類似度が第２閾値以上である場合（Ｓ３０６：Ｙｅｓ）、ユーザＵ本人であると判定し（Ｓ３０７）、処理を終了する。

一方、認証部３５は、第１類似度が第１閾値未満である場合（Ｓ３０５：Ｎｏ）、ユーザＵ本人ではないと判定し（Ｓ３０８）、処理を終了する。

また、認証部３５は、第２類似度が第２閾値未満である場合（Ｓ３０６：Ｎｏ）、ユーザＵ本人ではないと判定し（Ｓ３０８）、処理を終了する。

また、上述してきた実施形態にかかる情報処理装置１は、例えば図１０に示すような構成のコンピュータ２００によって実現される。図１０は、実施形態に係る情報処理装置１の機能を実現するコンピュータ２００の一例を示すハードウェア構成図である。コンピュータ２００は、ＣＰＵ２０１、ＲＡＭ２０２、ＲＯＭ２０３、ＨＤＤ２０４、通信インターフェイス（Ｉ／Ｆ）２０５、入出力インターフェイス（Ｉ／Ｆ）２０６、及びメディアインターフェイス（Ｉ／Ｆ）２０７を有する。

ＣＰＵ２０１は、ＲＯＭ２０３又はＨＤＤ２０４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ２０３は、コンピュータ２００の起動時にＣＰＵ２０１によって実行されるブートプログラムや、コンピュータ２００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ２０４は、ＣＰＵ２０１によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス２０５は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ２０１へ送り、ＣＰＵ２０１が生成したデータを、ネットワークＮを介して他の機器へ送信する。

ＣＰＵ２０１は、入出力インターフェイス２０６を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ２０１は、入出力インターフェイス２０６を介して、入力装置からデータを取得する。また、ＣＰＵ２０１は、生成したデータを、入出力インターフェイス２０６を介して入出力装置へ出力する。

メディアインターフェイス２０７は、記録媒体２０８に格納されたプログラム又はデータを読み取り、ＲＡＭ２０２を介してＣＰＵ２０１に提供する。ＣＰＵ２０１は、かかるプログラムを、メディアインターフェイス２０７を介して記録媒体２０８からＲＡＭ２０２上にロードし、ロードしたプログラムを実行する。記録媒体２０８は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ２００が実施形態にかかる情報処理装置１として機能する場合、コンピュータ２００のＣＰＵ２０１は、ＲＡＭ２０２上にロードされたプログラムを実行することにより、制御部３の機能を実現する。また、ＨＤＤ２０４には、記憶部４内のデータが格納される。コンピュータ２００のＣＰＵ２０１は、これらのプログラムを、記録媒体２０８から読み取って実行するが、他の例として、他の装置から、ネットワークＮを介してこれらのプログラムを取得してもよい。

上述してきたように、実施形態に係る情報処理装置１は、第１照合部３３と、第２照合部３４と、認証部３５とを備える。第１照合部３３は、ユーザＵの入力音声と、予め登録されたユーザＵの音声である正解音声とを照合する。第２照合部３４は、入力音声から推定したユーザＵのゲノム情報に基づいて推定したユーザＵの音声であるゲノム音声と、予め登録されたゲノム音声である正解ゲノム音声とを照合する。認証部３５は、第１照合部３３および第２照合部３４それぞれの照合結果に基づいてユーザＵを認証する。

これにより、ユーザＵの認証精度を向上させることができる。

また、上述した実施形態に係る情報処理装置１において、第１照合部３３は、入力音声および正解音声の第１類似度を算出する。第２照合部３４は、ゲノム音声および正解ゲノム音声の第２類似度を算出する。認証部３５は、第１類似度が第１閾値以上、かつ、第２類似度が第２閾値以上の場合に、ユーザＵを認証する。

これにより、第１類似度および第２類似度双方が閾値条件を満たす場合のみユーザＵを認証するため、ユーザＵの認証精度を向上させることができる。

また、上述した実施形態に係る情報処理装置１において、認証部３５は、第１類似度が第１閾値以上、かつ、第２類似度が第１閾値よりも高い第２閾値以上の場合に、ユーザＵを認証する。

これにより、第２類似度の閾値条件を厳しくできるため、ユーザＵの認証精度をさらに向上させることができる。

また、上述した実施形態に係る情報処理装置１は、生成部３１と、推定部３２とをさらに備える。生成部３１は、教師ユーザのゲノム情報を教師とし、教師ユーザの音声情報を素性とする機械学習によって、ゲノム特徴に関する指標を出力するゲノムモデル（第１モデル）と、教師ユーザの音声情報を教師とし、教師ユーザのゲノム情報を素性とする機械学習によって、音声特徴に関する指標を出力する話者モデル（第２モデル）とを生成する。推定部３２は、入力音声をゲノムモデルに入力してゲノム情報を推定し、推定したゲノム情報を話者モデルに入力してゲノム音声を推定する。

これにより、ゲノム音声の推定精度を向上させることができるため、ユーザＵの認証精度を向上させることができる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態に記載した各処理は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上記してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、推定部３２は、推定手段や推定回路に読み替えることができる。

１ 情報処理装置
２ 通信部
３ 制御部
４ 記憶部
１０ 端末装置
３０ 取得部
３１ 生成部
３２ 推定部
３３ 第１照合部
３４ 第２照合部
３５ 認証部
１００ 機関端末
Ｕ ユーザ

Claims (6)

1. ユーザの入力音声と、予め登録された前記ユーザの音声である正解音声とを照合する第１照合部と、
   前記入力音声から推定した前記ユーザのゲノム情報に基づいて推定した前記ユーザの音声であるゲノム音声と、予め登録された前記ゲノム音声である正解ゲノム音声とを照合する第２照合部と、
   前記第１照合部および前記第２照合部それぞれの照合結果に基づいて前記ユーザを認証する認証部と
   を備えることを特徴とする情報処理装置。
2. 前記第１照合部は、
   前記入力音声および前記正解音声の第１類似度を算出し、
   前記第２照合部は、
   前記ゲノム音声および前記正解ゲノム音声の第２類似度を算出し、
   前記認証部は、
   前記第１類似度が第１閾値以上、かつ、前記第２類似度が第２閾値以上の場合に、前記ユーザを認証すること
   を特徴とする請求項１に記載の情報処理装置。
3. 前記認証部は、
   前記第１類似度が第１閾値以上、かつ、前記第２類似度が前記第１閾値よりも高い第２閾値以上の場合に、前記ユーザを認証すること
   を特徴とする請求項２に記載の情報処理装置。
4. 教師ユーザのゲノム情報を教師とし、前記教師ユーザの音声情報を素性とする機械学習によって、ゲノム特徴に関する指標を出力する第１モデルと、
   前記教師ユーザの音声情報を教師とし、前記教師ユーザのゲノム情報を素性とする機械学習によって、音声特徴に関する指標を出力する第２モデルと、
   を生成する生成部と、
   前記入力音声を前記第１モデルに入力して前記ゲノム情報を推定し、推定した当該ゲノム情報を前記第２モデルに入力して前記ゲノム音声を推定する推定部とをさらに備えること
   を特徴とする請求項１〜３のいずれか１つに記載の情報処理装置。
5. コンピュータが実行する情報処理方法であって、
   ユーザの入力音声と、予め登録された前記ユーザの音声である正解音声とを照合する第１照合工程と、
   前記入力音声から推定した前記ユーザのゲノム情報に基づいて推定した前記ユーザの音声であるゲノム音声と、予め登録された前記ゲノム音声である正解ゲノム音声とを照合する第２照合工程と、
   前記第１照合工程および前記第２照合工程それぞれの照合結果に基づいて前記ユーザを認証する認証工程と
   を含むことを特徴とする情報処理方法。
6. ユーザの入力音声と、予め登録された前記ユーザの音声である正解音声とを照合する第１照合手順と、
   前記入力音声から推定した前記ユーザのゲノム情報に基づいて推定した前記ユーザの音声であるゲノム音声と、予め登録された前記ゲノム音声である正解ゲノム音声とを照合する第２照合手順と、
   前記第１照合手順および前記第２照合手順それぞれの照合結果に基づいて前記ユーザを認証する認証手順と
   をコンピュータに実行させることを特徴とする情報処理プログラム。

Images