JP2021092809A - Voice processing device, voice processing method and voice processing program - Google Patents
Voice processing device, voice processing method and voice processing program Download PDFInfo
- Publication number
- JP2021092809A JP2021092809A JP2021029416A JP2021029416A JP2021092809A JP 2021092809 A JP2021092809 A JP 2021092809A JP 2021029416 A JP2021029416 A JP 2021029416A JP 2021029416 A JP2021029416 A JP 2021029416A JP 2021092809 A JP2021092809 A JP 2021092809A
- Authority
- JP
- Japan
- Prior art keywords
- voice
- speaker
- recognition
- signals
- processing device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 85
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 54
- 230000005236 sound signal Effects 0.000 claims description 81
- 238000000034 method Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000010365 information processing Effects 0.000 claims description 14
- 230000002996 emotional effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000008451 emotion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Abstract
Description
本発明は、音声処理装置、音声処理方法、および音声処理プログラムに関する。 The present invention relates to a voice processing device, a voice processing method, and a voice processing program.
音声信号から、音声を発した話者を特定するための個人性を表す話者特徴を算出する音声処理装置が知られている。また、この話者特徴を用いて、音声信号を発した話者を推定する話者認識装置が知られている。 A voice processing device is known that calculates speaker characteristics representing individuality for identifying a speaker who has emitted a voice from a voice signal. Further, there is known a speaker recognition device that estimates a speaker who has emitted an audio signal by using this speaker characteristic.
この種の音声処理装置を用いる話者認識装置は、話者を特定するために、第1の音声信号から抽出した第1の話者特徴と、第2の音声信号から抽出した第2の話者特徴との類似度を評価する。そして、話者認識装置は、類似度の評価結果に基づいて2つの音声信号の話者が同一か否かを判定する。 A speaker recognition device using this type of voice processing device has a first speaker feature extracted from a first voice signal and a second story extracted from a second voice signal in order to identify a speaker. Evaluate the degree of similarity to personal characteristics. Then, the speaker recognition device determines whether or not the speakers of the two audio signals are the same based on the evaluation result of the similarity.
非特許文献1には、音声信号から話者特徴を抽出する技術が記載されている。非特許文献1に記載の話者特徴抽出技術は、音声モデルを用いて音声信号の音声統計量を算出する。そして、非特許文献1に記載の話者特徴抽出技術は、因子分析技術に基づいてその音声統計量を処理し、所定の要素数で表現される話者特徴ベクトルとして算出する。すなわち、非特許文献1においては、話者特徴ベクトルを話者の個人性を表す話者特徴として利用する。 Non-Patent Document 1 describes a technique for extracting speaker characteristics from an audio signal. The speaker feature extraction technique described in Non-Patent Document 1 calculates a voice statistic of a voice signal using a voice model. Then, the speaker feature extraction technique described in Non-Patent Document 1 processes the voice statistic based on the factor analysis technique and calculates it as a speaker feature vector represented by a predetermined number of elements. That is, in Non-Patent Document 1, the speaker feature vector is used as a speaker feature representing the individuality of the speaker.
しかしながら、非特許文献1に記載の技術には、抽出した話者特徴を用いる話者認識の精度が十分でないという問題があった。 However, the technique described in Non-Patent Document 1 has a problem that the accuracy of speaker recognition using the extracted speaker characteristics is not sufficient.
非特許文献1に記載の技術は、話者特徴抽出装置に入力された音声信号に対して所定の統計処理を行い、話者特徴ベクトルを算出する。具体的には、非特許文献1に記載の技術は、話者特徴抽出装置に入力された音声信号の全体に対して一律の統計処理を行うことにより、話者特徴ベクトルを算出している。そのため、非特許文献1に記載の技術は、音声信号の部分区間に、話者の個人性を算出する元として適切ではない信号が含まれている場合であっても、音声信号の全体から話者特徴ベクトルを算出してしまうので、話者認識の精度を損なうおそれがある。具体的には、音声信号の部分区間に、例えば、話者の不明瞭な発声、話者の咳や笑い声などの話し声とは異なる音、雑音などが混入している場合に、話者認識の精度を損なうおそれがある。 The technique described in Non-Patent Document 1 performs predetermined statistical processing on the audio signal input to the speaker feature extraction device, and calculates the speaker feature vector. Specifically, the technique described in Non-Patent Document 1 calculates a speaker feature vector by performing uniform statistical processing on the entire audio signal input to the speaker feature extraction device. Therefore, the technique described in Non-Patent Document 1 speaks from the entire audio signal even when the subsection of the audio signal contains a signal that is not appropriate as a source for calculating the individuality of the speaker. Since the person feature vector is calculated, the accuracy of speaker recognition may be impaired. Specifically, when a subsection of an audio signal contains, for example, an indistinct vocalization of the speaker, a sound different from the spoken voice such as a speaker's cough or laughter, or noise, speaker recognition is performed. There is a risk of impairing accuracy.
本発明は、上記問題に鑑みてなされたものであり、その目的は、話者認識の精度をより高めた音声処理装置、音声処理方法、および音声処理プログラムを提供することにある。 The present invention has been made in view of the above problems, and an object of the present invention is to provide a voice processing device, a voice processing method, and a voice processing program with higher accuracy of speaker recognition.
本発明の第1の態様の音声処理装置は、音声を表す複数の音声信号の入力を受け付ける受付手段と、前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する情報処理手段とを備える。 The audio processing device according to the first aspect of the present invention obtains specific attribute information from the plurality of audio signals based on the receiving means for receiving input of a plurality of audio signals representing the audio and the quality of the plurality of audio signals. It is provided with an information processing means for calculating a recognition feature amount for recognition.
本発明の第2の態様の音声処理方法は、音声を表す複数の音声信号の入力を受け付け、前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する。 The voice processing method of the second aspect of the present invention accepts input of a plurality of voice signals representing voice and recognizes specific attribute information from the plurality of voice signals based on the quality of the plurality of voice signals. Calculate the recognition feature amount of.
本発明の第3の態様の音声処理プログラムは、コンピュータに、音声を表す複数の音声信号の入力を受け付ける処理と、前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する処理とを実行させる。 The voice processing program of the third aspect of the present invention is a process of receiving input of a plurality of voice signals representing voice to a computer, and a specific attribute from the plurality of voice signals based on the quality of the plurality of voice signals. The process of calculating the recognition feature amount for recognizing the information is executed.
本発明によれば、話者認識の精度をより高めた音声処理装置、音声処理方法、およびプログラムを提供することができる。 According to the present invention, it is possible to provide a voice processing device, a voice processing method, and a program with higher accuracy of speaker recognition.
以下、音声処理装置等および話者特徴抽出装置の実施形態について、図面を参照して説明する。なお、実施形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。 Hereinafter, embodiments of the voice processing device and the like and the speaker feature extraction device will be described with reference to the drawings. In addition, since the components with the same reference numerals perform the same operation in the embodiment, the description may be omitted again.
<第1の実施形態>
図1は、本発明の第1の実施形態に係る音声処理装置の構成を示すブロック図である。
<First Embodiment>
FIG. 1 is a block diagram showing a configuration of a voice processing device according to the first embodiment of the present invention.
音声処理装置100は、貢献度推定部11と、話者特徴算出部12とを備える。
The
貢献度推定部11は、外部から音声を表す音声信号を受け取る。また、貢献度推定部11は、受けた音声信号に基づき、その音声信号の部分区間の品質の程度を数値で表した貢献度を算出する。
The
話者特徴算出部12は、貢献度推定部11が算出した音声信号の部分区間の貢献度を、その部分区間の重みとして用いて、音声信号から特定の属性情報を認識するための認識特徴量を算出する。
The speaker
ここで、特定の属性情報とは、音声信号を発した話者、音声信号を構成する言語、音声信号に含まれる感情表現、および音声信号から推定される話者の性格等を示す情報である。 Here, the specific attribute information is information indicating the speaker who emitted the audio signal, the language constituting the audio signal, the emotional expression included in the audio signal, the character of the speaker estimated from the audio signal, and the like. ..
図2を参照し、音声処理装置100の動作の流れについて説明する。図2は本発明の第1の実施形態に係る音声処理装置の動作の流れを示すフローチャートである。
The operation flow of the
まず、貢献度推定部11は、外部から受けた音声信号に基づいて、音声信号の部分区間の貢献度を算出する(ステップS101)。次いで、貢献度推定部11は、算出した音声信号の部分区間の貢献度を話者特徴算出部12に出力する。
First, the
次いで、話者特徴算出部12は、貢献度推定部11から受けた貢献度に基づいて、認識特徴量を算出する(ステップS102)。
Next, the speaker
<第2の実施形態>
図3は、第2の実施形態における音声処理装置200のブロック図である。音声処理装置200は、貢献度推定部11、話者特徴算出部12、音声区間検出部21、および音声統計量算出部22を備える。また、音声処理装置200は、さらに、貢献度記憶部23および貢献度学習部24を備えてもよい。
<Second embodiment>
FIG. 3 is a block diagram of the
音声区間検出部21は、外部から音声信号を受け取る。また、音声区間検出部21は、受け取った音声信号に含まれる音声区間を検出して区分化する。この時、音声区間検出部21は、音声信号を一定の長さに区分化してもよいし、異なる長さに区分化してもよい。例えば、音声区間検出部21は、音声信号のうち音量が一定時間継続して所定値より小さい区間を無音と判定し、その区間の前後を異なる音声区間と判定して区分化してもよい。そして、音声区間検出部21は、区分化した結果(音声区間検出部21の処理結果)である区分化音声信号を、貢献度推定部11および音声統計量算出部22に出力する。ここで、音声信号の受け取りとは、例えば、外部の装置または他の処理装置からの音声信号の受信、または他のプログラムからの音声信号処理の処理結果の引き渡しのことである。また、出力とは、例えば、外部の装置や他の処理装置への送信、または他のプログラムへの音声区間検出部21の処理結果の引き渡しのことである。
The voice
音声統計量算出部22は、音声区間検出部21から区分化音声信号を受け取る。音声統計量算出部22は、受け取った区分化音声信号に基づいて、該区分化音声信号に含まれる音の種類を表す音声統計量を算出する。ここで、音の種類とは、例えば、言語により定まる音素や単語、音声信号を類似度に基づいてクラスタリングして得られる音のグループである。そして、音声統計量算出部22は、音声統計量を話者特徴算出部12に出力する。以降、ある音声信号に対して算出された音声統計量を、該音声信号の音声統計量と呼ぶ。
The voice
音声統計量算出部22が、音声統計量を算出する方法の一例について説明する。具体的には、音声統計量算出部22は、音声区間検出部21から受け取った区分化音声信号に基づいて、該区分化音声信号を周波数分析処理した計算結果で表現される音響特徴を算出し、算出した結果を出力する。例えば、音声統計量算出部22は、音声区間検出部21から受け取った区分化音声信号を、短時間フレーム時系列に変換する。そして、音声統計量算出部22は、短時間フレーム時系列のそれぞれのフレームを周波数分析し、その処理結果を音響特徴として出力する。この場合、音声統計量算出部22は、例えば、短時間フレーム時系列として、25ミリ秒区間のフレームを10ミリ秒ごとに生成する。音声統計量算出部22は、例えば、周波数分析結果である音響特徴として、高速フーリエ変換処理(Fast Fourier Transform;FFT)およびフィルタバンク処理によって得られた周波数フィルタバンク特徴や、さらに加えて離散コサイン変換処理を施して得られたメル周波数ケプストラム係数(Mel−Frequency Cepstrum Coefficients;MFCC)特徴などを算出する。
The voice
そして、音声統計量算出部22は、音響特徴の時系列と、音響特徴と音の種類との対応関係を格納する音声モデルを用いて、音の種類を表す数値情報の時系列を算出する。音声統計量算出部22は、例えば、音声モデルがガウス混合モデル(Gaussian Mixture Model;GMM)である場合、ガウス混合モデルが有する各要素分布の平均、分散、および混合係数に基づいて、各要素分布の事後確率を算出する。ここで、各要素分布の事後確率は、音声信号に含まれる音の種類それぞれの出現度である。また、音声統計量算出部22は、例えば、音声モデルがニューラルネットワーク(Neural Network)である場合、音響特徴と、ニューラルネットワークが有する重み係数に基づいて、音声信号に含まれる音の種類の出現度を算出する。
Then, the voice
貢献度記憶部23は、1つ以上の貢献度推定器を記憶する。貢献度推定器は、音声信号を信号の品質によって複数の種類に仕分けるよう動作するように構成されるものである。貢献度推定器は、例えば、音声信号の品質を表す数値情報を出力する。信号の品質の種類とは、例えば、音声・非音声・無音である。また、信号の品質の種類とは、例えば、話者認識に正解する音声・話者認識に誤りを起こす音声である。
The
具体的には、貢献度記憶部23は、貢献度推定器が保有するパラメタを記憶する。貢献度記憶部23は、例えば、貢献度推定器がニューラルネットワークである場合、それを構成するノードの数やノード間の接続重み係数などの一式をパラメタとして記憶する。
Specifically, the
なお、図3では、貢献度記憶部23が音声処理装置200内に内蔵されることを例に説明を行ったが、本発明はこれに限定されるものではない。貢献度記憶部23は、音声処理装置200の外部に設けられた記憶装置で実現されるものであってもよい。
Although the description has been made in FIG. 3 by taking as an example that the
貢献度推定部11は、音声区間検出部21から区分化音声信号を受け取る。貢献度推定部11は、貢献度記憶部23に記憶されている貢献度推定器を用いて、区分化音声信号の品質を表す数値情報を算出する。貢献度推定部11は、音声統計量算出部22と同様に、区分化音声信号を短時間フレーム時系列に変換し、それぞれのフレームの音響特徴を算出し、音響特徴の時系列を算出する。続いて、貢献度推定部11は、各フレームの音響特徴と貢献度推定器のパラメタとを用いて、各フレームの品質を表す数値を算出する。以降、ある音声信号に対して算出された信号の品質を表す数値のことを音声信号の貢献度と呼ぶ。
The
具体的には、貢献度推定部11は、例えば、貢献度推定器がニューラルネットワークである場合、音響特徴と、ニューラルネットワークが有する重み係数とに基づいて、音響特徴の貢献度を算出する。例えば、貢献度推定器がニューラルネットワークであり、その出力層が、2つの信号の品質の種類「話者認識に正解する信号」と「話者認識誤りを起こす信号」とに相当するものであるとする。このとき、貢献度推定器は、音響特徴が話者認識に正解する信号である確率と、音響特徴が話者認識誤りを起こす信号である確率とを算出し、貢献度として、例えば、「話者認識に正解する信号」である確率を出力する。また、貢献度推定部11は、話者認識を実行する前に、音声信号の部分区間が音声か否かを識別して音声である確率を算出してもよい。
Specifically, for example, when the contribution estimator is a neural network, the
話者特徴算出部12は、音声統計量算出部22が出力した音声統計量および貢献度推定部11が出力した貢献度を受け取る。話者特徴算出部12は、音声統計量および貢献度を用いて、音声信号から特定の属性情報を認識するための認識特徴量を算出する。
The speaker
話者特徴算出部12が音声信号xの認識特徴量としてi−vectorに基づく特徴ベクトルF(x)を算出する方法の一例について説明する。なお、話者特徴算出部12が算出する特徴ベクトルF(x)は、音声信号xに対して所定の演算を施して算出できるベクトルであればよく、i−vectorはその一例である。
An example of a method in which the speaker
話者特徴算出部12は、音声統計量算出部22から、音声信号xの統計量の情報として、例えば、短時間フレームごとに算出された音響事後確率Pt(x)および音響特徴At(x)(t={1…T}、Tは1以上の自然数)とを受け取る。また、話者特徴算出部12は、貢献度推定部11から、音声信号xの貢献度の情報として、例えば、短時間フレームごとに算出された貢献度Ct(x)を受け取る。話者特徴算出部12は、以下の式(1)のように、音響事後確率Pt(x)の各要素に対して、貢献度Ct(x)をかけて、その結果をQt(x)として算出する。
The speaker
話者特徴算出部12は、貢献度によって重みづけされた音響事後確率Qt(x)および音響特徴At(x)を用いて、以下の式(2)に基づいて音声信号xの0次統計量S0(x)を算出し、式(3)に基づいて1次統計量S1(x)を算出する。
The speaker
話者特徴算出部12は、続いて、以下の式(4)に基づいて音声信号xのi−vectorであるF(x)を算出する。
The speaker
式(1)〜式(4)において、Cは統計量S0(x)およびS1(x)の要素数、Dは音響特徴At(x)の要素数(次元数)、mcは音響特徴空間におけるc番目の領域の音響特徴の平均ベクトル、Iは単位行列、0は零行列を表す。Tはi−vector計算用のパラメタであり、Σは音響特徴空間における音響特徴の共分散行列である。 In equations (1) to (4), C is the number of elements of the statistics S0 (x) and S1 (x), D is the number of elements (number of dimensions) of the acoustic feature At (x), and mc is the number of elements in the acoustic feature space. The average vector of acoustic features in the c-th region, I represents the identity matrix, and 0 represents the zero matrix. T is a parameter for i-vector calculation, and Σ is a covariance matrix of acoustic features in the acoustic feature space.
話者特徴算出部12が上述の手順で特徴ベクトルF(x)を算出する際に、音声信号xのすべての時刻t(t={1…T}、Tは1以上の自然数)において、その貢献度Ct(x)が1であれば、非特許文献1に記載のi−vector算出手順と等価である。本実施形態において、話者特徴算出部12は、貢献度推定部11が音声信号xの時刻tに応じて推定した貢献度Ct(x)を用いることにより、非特許文献1に記載のi−vectorとは異なる特徴ベクトルF(x)を算出できる。
When the speaker
このように、音声処理装置200において、話者特徴算出部12が、音声信号xに対して、該音声信号の各部分区間の品質に応じた貢献度Ct(x)を用いて特徴ベクトルF(x)を算出することにより、音声信号の品質に応じた特徴ベクトルを出力することができる。
As described above, in the
貢献度学習部24は、訓練用音声信号を用いて貢献度記憶部23が記憶できる貢献度推定器を学習する。貢献度学習部24は、例えば、貢献度推定器がニューラルネットワークである場合、それを構成するノード間の接続重み係数などのパラメタを、一般的な最適化基準に従って最適化する。貢献度学習部24が使用する訓練用音声信号は、複数の音声信号を集めたものであり、それぞれの音声信号は、貢献度推定部11が出力する信号の品質の種類のいずれかと対応付けられたものである。
The
以下では、入力が音響特徴であり、出力が「話者認識に正解する音声」および「話者認識に誤りを起こす音声」の2種類の信号の品質である貢献度推定器を貢献度学習部24が学習する方法の一例を説明する。 In the following, the contribution learning unit uses a contribution estimator whose input is an acoustic feature and whose output is the quality of two types of signals: "speech that correctly answers speaker recognition" and "speech that causes an error in speaker recognition". An example of the method in which 24 learns will be described.
(a)まず、貢献度学習部24は、話者ラベルつきの複数の音声信号を用いて、音声信号の話者ラベルを識別することのできる識別器を学習する。(b)次に、貢献度学習部24は、話者ラベルつきの複数の音声信号のそれぞれを、短時間フレームごとに算出した音響特徴の時系列に変換し、(a)で学習した識別器を用いて、各フレームの話者ラベルを識別する。(c)次に、貢献度学習部24は、識別された各フレームの話者ラベルのうち、事前に付与された話者ラベルと、識別器が識別した話者ラベルが同一であるフレームを「話者認識に正解する音声」、そうでないフレームを「話者認識に誤りを起こす音声」とする。(d)そして、貢献度学習部24は、「話者認識に正解する音声」および「話者認識に誤りを起こす音声」を訓練用音声信号として、貢献度推定器を学習する。
(A) First, the
以上述べたように、本実施形態に係る音声処理装置200において、貢献度推定部11は、音声信号の部分区間に応じた品質を表す指標として、音声信号の貢献度を算出できる。また、話者特徴算出部12は、音声信号の音響統計量と貢献度とに基づいて特徴ベクトルを算出する。これにより、音声信号に対して、音声信号の各部分区間の品質を考慮した特徴ベクトルを出力できる。すなわち、本実施形態にかかる音声処理装置200は、話者認識の精度を高めるのに適した話者特徴を算出できる。
As described above, in the
なお、本実施形態に係る音声処理装置200における貢献度記憶部23は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。また、貢献度記憶部23に貢献度推定器が記憶される過程は特に限定されない。例えば、記録媒体を介して貢献度推定器が貢献度記憶部23に記憶されてもよいし、通信回線等を介して送信された貢献度推定器が貢献度記憶部23に記憶されてもよい。または、入力デバイスを介して入力された貢献度推定器が貢献度記憶部23で記憶されてもよい。
The
(第2の実施形態の動作)
次に、第2の実施形態における音声処理装置200の動作について、図4のフローチャートを用いて説明する。図4は、音声処理装置200の動作の一例を示すフローチャートである。
(Operation of the second embodiment)
Next, the operation of the
音声処理装置200は、外部から1つ以上の音声信号を受け取り、音声区間検出部21に提供する。具体的には、音声区間検出部21は、受け取った音声信号を区分化し、区分化音声信号を貢献度推定部11および音声統計量算出部22に出力する(ステップS201)。
The
音声統計量算出部22は、受け取った1つ以上の区分化音声信号それぞれについて、短時間フレーム分析処理を行い、音響特徴と音声統計量の時系列を算出する(ステップS202)。
The voice
貢献度推定部11は、受け取った1つ以上の区分化音声信号のそれぞれについて、短時間分析フレーム処理を行い、貢献度の時系列を算出する(ステップS203)。
The
話者特徴算出部12は、受け取った1つ以上の音響特徴・音声統計量・貢献度の時系列に基づいて、話者認識特徴量を算出して出力する。(ステップS204)。音声処理装置200は、外部からの音声信号の受理が終了したら、一連の処理を終了する。
The speaker
(第2の実施形態の効果)
以上、説明したように、本実施形態にかかる音声処理装置200によれば、音声処理装置200が算出した話者特徴を用いる話者認識の精度を高めることができる。なぜならば、音声処理装置200は、貢献度推定部11が音声信号の品質を貢献度として算出し、話者特徴算出部12が貢献度を考慮した特徴ベクトルを算出することで、音声信号の品質の高い部分区間に重きを置いた特徴ベクトルを出力するからである。
(Effect of the second embodiment)
As described above, according to the
このように、本実施形態に係る音声処理装置200は、音声信号に対して、各部分区間の品質に応じた貢献度を考慮した特徴ベクトルを算出する。これにより、音声信号の部分区間に、話者の不明瞭な発声、話者の咳や笑い声などの話し声とは異なる音、雑音などが混入している場合にも、話者認識に適した認識特徴量を求めることができる。
As described above, the
<第3の実施形態>
図5は、本発明の第3の実施形態に係る、音声処理装置の構成の一例を示すブロック図である。
<Third embodiment>
FIG. 5 is a block diagram showing an example of the configuration of the voice processing device according to the third embodiment of the present invention.
図5に示すように、音声処理装置300は、貢献度推定部11と、話者特徴算出部12と、属性認識部13とを備える。音声処理装置300は、属性情報を認識することのできる音声処理装置である。
As shown in FIG. 5, the
貢献度推定部11および話者特徴算出部12については、第1および第2の実施形態と同様なので説明は省略する。
The
属性認識部13は、話者特徴算出部12から属性情報を認識するための認識特徴量を受け取る。属性認識部13は、認識特徴量に基づいて、音声信号を発した話者、音声信号を構成する言語、音声信号に含まれる感情表現、音声信号から推定される発話者の性格等を認識する。具体的には、属性認識部13は、例えば、認識特徴量を比較するための比較用音声データを格納する記憶装置(図示しない)を参照する。この場合、属性認識部13は、認識特徴量と、比較用音声データの類似の度合い等を算出することで、属性情報を認識することができる。
The
<第3の実施形態の具体例>
次に、本発明の第3の実施形態に係る音声処理装置300の具体的な応用例について説明する。
<Specific example of the third embodiment>
Next, a specific application example of the
本発明の第3の実施形態に係る音声処理装置300が算出した話者特徴は、音声信号の話者を推定する話者認識に利用可能である。例えば、第1の音声信号から算出した第1の話者特徴と、第2の音声信号から算出した第2の話者特徴とから、2つの話者特徴の類似性を現す指標として、コサイン類似度を算出する。例えば、話者照合することを目的とする場合は、前記の類似度に基づく照合可否の判定情報を出力してもよい。また、話者識別することを目的とする場合は、第1の音声信号に対して複数の第2の音声信号を用意して各々の類似度を求め、値の大きい組を出力してもよい。
The speaker characteristics calculated by the
本発明の第3の実施形態に係る音声処理装置300は、音声信号から特定の属性情報を認識するための認識特徴量を算出する特徴算出装置の一例である。音声処理装置300は、特定の属性が音声信号を発した話者であるとき、話者特徴抽出装置として利用可能である。また、音声処理装置300は、例えば文発話の音声信号に対して、当該話者特徴を用いて推定した話者情報に基づいて、当該話者の話し方の特徴に適応化する機構を備える音声認識装置の一部としても利用可能である。また、ここで、話者を示す情報は、話者の性別を示す情報や、話者の年齢あるいは年齢層を示す情報であってもよい。
The
本発明の第3の実施形態に係る音声処理装置300は、特定の属性を音声信号が伝える言語(音声信号を構成する言語)を示す情報とするとき、言語特徴算出装置として利用可能である。また、音声処理装置300は、例えば文発話の音声信号に対して、当該言語特徴を用いて推定した言語情報に基づいて、翻訳する言語を選択する機構を備える音声翻訳装置の一部としても利用可能である。
The
本発明の第3の実施形態に係る音声処理装置300は、特定の属性が話者の発話時の感情を示す情報であるとき、感情特徴算出装置として利用可能である。また、音声処理装置300は、例えば蓄積された多数の発話の音声信号に対して、当該感情特徴を用いて推定した感情情報に基づいて、特定の感情に対応する音声信号を特定する機構を備える音声検索装置や音声表示装置の一部としても利用可能である。この感情情報には、例えば、感情表現を示す情報、発話者の性格を示す情報等が含まれる。
The
以上のように、本実施形態における特定の属性情報は、音声信号を発した話者、音声信号を構成する言語、音声信号に含まれる感情表現、音声信号から推定される発話者の性格、の少なくともいずれか一つを表す情報である。 As described above, the specific attribute information in the present embodiment includes the speaker who emitted the audio signal, the language constituting the audio signal, the emotional expression included in the audio signal, and the character of the speaker estimated from the audio signal. Information representing at least one of them.
(ハードウエア構成についての説明)
以上、実施形態を用いて本発明を説明したが、本発明は、上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解しうる様々な変更をすることができる。すなわち、本発明は、以上の実施形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
(Explanation of hardware configuration)
Although the present invention has been described above using the embodiments, the present invention is not limited to the above embodiments. Various changes that can be understood by those skilled in the art can be made to the structure and details of the present invention within the scope of the present invention. That is, it goes without saying that the present invention is not limited to the above embodiments, and various modifications can be made, and these are also included in the scope of the present invention.
以上のように、本発明の一態様における音声処理装置等は、音声信号の品質を考慮した特徴ベクトルを抽出し話者認識の精度を高めることができるという効果を有しており、音声処理装置等および話者認識装置として有用である。なお、本発明において使用者に関する情報を取得、利用する場合は、これを適法に行うものとする。 As described above, the voice processing device or the like according to one aspect of the present invention has an effect of being able to extract a feature vector in consideration of the quality of the voice signal and improve the accuracy of speaker recognition, and is a voice processing device. Etc. and is useful as a speaker recognition device. In addition, when information about a user is acquired and used in this invention, this shall be done legally.
<その他の実施形態>
音声処理装置は、ハードウエアによって実現してもよいし、ソフトウエアによって実現してもよい。また、音声処理装置は、ハードウエアとソフトウエアの組み合わせによって実現してもよい。
<Other Embodiments>
The voice processing device may be realized by hardware or software. Further, the voice processing device may be realized by a combination of hardware and software.
図6は、音声処理装置を構成する情報処理装置(コンピュータ)の一例を示すブロック図である。 FIG. 6 is a block diagram showing an example of an information processing device (computer) constituting a voice processing device.
図6に示すように、情報処理装置400は、制御部(CPU:Central Processing Unit)410と、記憶部420と、ROM(Read Only Memory)430と、RAM(Random Access Memory)440と、通信インターフェース450と、ユーザインターフェース460とを備えている。
As shown in FIG. 6, the
制御部(CPU)410は、記憶部420またはROM430に格納されたプログラムをRAM440に展開して実行することで、音声処理装置および話者認識装置の各種の機能を実現することができる。また、制御部(CPU)410は、データ等を一時的に格納できる内部バッファを備えていてもよい。
The control unit (CPU) 410 can realize various functions of the voice processing device and the speaker recognition device by expanding the program stored in the
記憶部420は、各種のデータを保持できる大容量の記憶媒体であって、HDD(Hard Disc Drive)、およびSSD(Solid State Drive)等の記憶媒体で実現することができる。また、記憶部420は、情報処理装置400が通信インターフェース450を介して通信ネットワークと接続されている場合には、通信ネットワーク上に存在するクラウドストレージであってもよい。また、記憶部420は、制御部(CPU)410が読み取り可能なプログラムを保持していてもよい。
The
ROM430は、記憶部420と比べると小容量なフラッシュメモリ等で構成できる不揮発性の記憶装置である。また、ROM430は、制御部(CPU)410が読み取り可能なプログラムを保持していてもよい。なお、制御部(CPU)410が読み取り可能なプログラムは、記憶部420およびROM430の少なくとも一方が保持していればよい。
The
なお、制御部(CPU)410が読み取り可能なプログラムは、コンピュータが読み取り可能な様々な記憶媒体に非一時的に格納した状態で、情報処理装置400に供給してもよい。このような記憶媒体は、例えば、磁気テープ、磁気ディスク、光磁気ディスク、CD−ROM、CD−R、CD−R/W、半導体メモリである。
The program readable by the control unit (CPU) 410 may be supplied to the
RAM440は、DRAM(Dynamic Random Access Memory)及びSRAM(Static Random Access Memory)等の半導体メモリであり、データ等を一時的に格納する内部バッファとして用いることができる。
The
通信インターフェース450は、有線または無線を介して、情報処理装置400と、通信ネットワークとを接続するインターフェースである。
The
ユーザインターフェース460は、例えば、ディスプレイ等の表示部、およびキーボード、マウス、タッチパネル等の入力部である。
The
上記の実施の形態の一部又は全部は、以下の付記のようにも記載され得るが以下には限られない。 Some or all of the above embodiments may also be described, but not limited to:
[付記1]
音声を表す複数の音声信号の入力を受け付ける受付手段と、
前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する情報処理手段とを備える、音声処理装置。
[Appendix 1]
A reception means that accepts the input of multiple audio signals representing voice,
A voice processing device including an information processing means for calculating a recognition feature amount for recognizing specific attribute information from the plurality of voice signals based on the quality of the plurality of voice signals.
[付記2]
前記複数の音声信号に含まれる音の種類の比率を表す音声統計量を算出する音声統計量算出手段をさらに備え、
前記情報処理手段は、前記複数の音声信号の前記音声統計量と、前記複数の音声信号の前記品質とに基づいて、前記認識特徴量を算出する、付記1に記載の音声処理装置。
[Appendix 2]
Further provided with a voice statistic calculation means for calculating a voice statistic representing the ratio of sound types included in the plurality of voice signals.
The voice processing device according to Appendix 1, wherein the information processing means calculates the recognition feature amount based on the voice statistic of the plurality of voice signals and the quality of the plurality of voice signals.
[付記3]
前記品質は、
前記複数の音声信号の一部が音声か否かを識別して算出した音声らしさを表す値、前記複数の音声信号の一部が話者認識に正解する音声か否かを識別して算出した話者認識の正解しやすさを表す値、前記複数の音声信号の一部が話者認識誤りを起こす音声か否かを識別して算出した話者認識の誤りやすさを表す値の少なくともいずれかひとつである、付記1または2に記載の音声処理装置。
[Appendix 3]
The quality is
A value representing voice-likeness calculated by identifying whether or not a part of the plurality of voice signals is voice, and calculated by identifying whether or not a part of the plurality of voice signals is voice that correctly answers speaker recognition. At least one of a value indicating the ease of correct answer of speaker recognition and a value indicating the ease of error recognition of speaker calculated by identifying whether or not a part of the plurality of voice signals is a voice causing a speaker recognition error. The voice processing device according to Appendix 1 or 2, which is one of them.
[付記4]
ニューラルネットワークを用いて前記複数の音声信号の前記品質を算出する品質推定手段をさらに備える、付記3に記載の音声処理装置。
[Appendix 4]
The voice processing apparatus according to Appendix 3, further comprising a quality estimation means for calculating the quality of the plurality of voice signals using a neural network.
[付記5]
前記情報処理手段は、
前記認識特徴量として i-vector を算出する、付記3または4に記載の音声処理装置。
[Appendix 5]
The information processing means
The voice processing device according to Appendix 3 or 4, which calculates an i-vector as the recognition feature amount.
[付記6]
前記認識特徴量に基づいて前記属性情報を認識する属性認識手段を備える、付記1〜5のいずれか1つに記載の音声処理装置。
[Appendix 6]
The voice processing device according to any one of Supplementary note 1 to 5, further comprising an attribute recognition means for recognizing the attribute information based on the recognition feature amount.
[付記7]
前記特定の属性情報は、
音声信号を発した話者、音声信号を構成する言語、音声信号に含まれる感情表現、音声信号から推定される話者の性格の少なくともいずれか1つを表す情報である、付記1〜6のいずれか1つに記載の音声処理装置。
[Appendix 7]
The specific attribute information is
Information representing at least one of the speaker who emitted the audio signal, the language constituting the audio signal, the emotional expression contained in the audio signal, and the character of the speaker estimated from the audio signal, Appendix 1 to 6. The audio processing device according to any one.
[付記8]
音声を表す複数の音声信号の入力を受け付け、
前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する、音声処理方法。
[Appendix 8]
Accepts input of multiple audio signals representing audio,
A voice processing method for calculating a recognition feature amount for recognizing specific attribute information from the plurality of voice signals based on the quality of the plurality of voice signals.
[付記9]
前記複数の音声信号に含まれる音の種類の比率を表す音声統計量をさらに算出し、
前記複数の音声信号の前記音声統計量と、前記複数の音声信号の前記品質とに基づいて、前記認識特徴量を算出する、付記8に記載の音声処理方法。
[Appendix 9]
A voice statistic representing the ratio of sound types contained in the plurality of voice signals is further calculated.
The voice processing method according to Appendix 8, wherein the recognition feature amount is calculated based on the voice statistics of the plurality of voice signals and the quality of the plurality of voice signals.
[付記10]
前記品質は、
前記複数の音声信号の一部が音声か否かを識別して算出した音声らしさを表す値、前記複数の音声信号の一部が話者認識に正解する音声か否かを識別して算出した話者認識の正解しやすさを表す値、前記複数の音声信号の一部が話者認識誤りを起こす音声か否かを識別して算出した話者認識の誤りやすさを表す値の少なくともいずれかひとつである、付記8または9に記載の音声処理方法。
[Appendix 10]
The quality is
A value representing voice-likeness calculated by identifying whether or not a part of the plurality of voice signals is voice, and calculated by identifying whether or not a part of the plurality of voice signals is voice that correctly answers speaker recognition. At least one of a value indicating the ease of correct answer of speaker recognition and a value indicating the ease of error recognition of speaker calculated by identifying whether or not a part of the plurality of voice signals is a voice causing a speaker recognition error. The voice processing method according to Appendix 8 or 9, which is one of them.
[付記11]
ニューラルネットワークを用いて前記複数の音声信号の前記品質を算出する、付記10に記載の音声処理方法。
[Appendix 11]
The voice processing method according to Appendix 10, wherein the quality of the plurality of voice signals is calculated using a neural network.
[付記12]
前記認識特徴量として i-vector を算出する、付記10または11に記載の音声処理方法。
[Appendix 12]
The voice processing method according to
[付記13]
前記認識特徴量に基づいて前記属性情報を認識する、付記8〜12のいずれか1つに記載の音声処理方法。
[Appendix 13]
The voice processing method according to any one of Supplementary note 8 to 12, which recognizes the attribute information based on the recognition feature amount.
[付記14]
前記特定の属性情報は、
音声信号を発した話者、音声信号を構成する言語、音声信号に含まれる感情表現、音声信号から推定される話者の性格の少なくともいずれか1つを表す情報である、付記8〜13のいずれか1つに記載の音声処理方法。
[Appendix 14]
The specific attribute information is
Information representing at least one of the speaker who emitted the audio signal, the language constituting the audio signal, the emotional expression contained in the audio signal, and the character of the speaker estimated from the audio signal, Appendix 8 to 13. The audio processing method according to any one.
[付記15]
コンピュータに、
音声を表す複数の音声信号の入力を受け付ける処理と、
前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する処理とを実行させる、音声処理プログラム。
[Appendix 15]
On the computer
Processing that accepts input of multiple audio signals representing voice,
A voice processing program that executes a process of calculating a recognition feature amount for recognizing specific attribute information from the plurality of voice signals based on the quality of the plurality of voice signals.
[付記16]
前記コンピュータに、
前記複数の音声信号に含まれる音の種類の比率を表す音声統計量をさらに算出する処理と、
前記複数の音声信号の前記音声統計量と、前記複数の音声信号の前記品質とに基づいて、前記認識特徴量を算出する処理とを実行させる、付記15に記載の音声処理プログラム。
[Appendix 16]
On the computer
A process of further calculating a voice statistic representing the ratio of sound types contained in the plurality of voice signals, and
The voice processing program according to Appendix 15, which executes a process of calculating the recognition feature amount based on the voice statistics of the plurality of voice signals and the quality of the plurality of voice signals.
[付記17]
前記品質は、
前記複数の音声信号の一部が音声か否かを識別して算出した音声らしさを表す値、前記複数の音声信号の一部が話者認識に正解する音声か否かを識別して算出した話者認識の正解しやすさを表す値、および前記複数の音声信号の一部が話者認識誤りを起こす音声か否かを識別して算出した話者認識の誤りやすさを表す値の少なくともいずれかひとつである、付記15または16に記載の音声処理プログラム。
[Appendix 17]
The quality is
A value representing voice-likeness calculated by identifying whether or not a part of the plurality of voice signals is voice, and calculated by identifying whether or not a part of the plurality of voice signals is voice that correctly answers speaker recognition. At least a value indicating the ease of correct answer of speaker recognition and a value representing the ease of error recognition of speaker calculated by identifying whether or not a part of the plurality of voice signals is a voice causing a speaker recognition error. The voice processing program according to Appendix 15 or 16, which is any one of them.
[付記18]
前記コンピュータに、
ニューラルネットワークを用いて前記複数の音声信号の前記品質を算出する処理を実行させる、付記17に記載の音声処理プログラム。
[Appendix 18]
On the computer
The voice processing program according to Appendix 17, wherein a process of calculating the quality of the plurality of voice signals is executed by using a neural network.
[付記19]
前記コンピュータに、
前記認識特徴量として i-vector を算出する処理を実行させる、付記17または18に記載の音声処理プログラム。
[Appendix 19]
On the computer
The voice processing program according to Appendix 17 or 18, which executes a process of calculating an i-vector as the recognition feature amount.
[付記20]
前記コンピュータに、
前記認識特徴量に基づいて前記属性情報を認識する処理を実行させる、付記15〜19のいずれか1つに記載の音声処理プログラム。
[Appendix 20]
On the computer
The voice processing program according to any one of Supplementary note 15 to 19, which executes a process of recognizing the attribute information based on the recognition feature amount.
[付記21]
前記特定の属性情報は、
音声信号を発した話者、音声信号を構成する言語、音声信号に含まれる感情表現、音声信号から推定される話者の性格の少なくともいずれか1つを表す情報である、付記15〜20のいずれか1つに記載の音声処理プログラム。
[Appendix 21]
The specific attribute information is
Information representing at least one of the speaker who emitted the audio signal, the language constituting the audio signal, the emotional expression contained in the audio signal, and the character of the speaker estimated from the audio signal, Appendix 15 to 20. The audio processing program described in any one.
11・・・貢献度推定部
12・・・話者特徴算出部
13・・・属性認識部
21・・・音声区間検出部
22・・・音声統計量算出部
23・・・貢献度記憶部
24・・・貢献度学習部
100,200,300・・・音声処理装置
400・・・情報処理装置
410・・・制御部(CPU)
420・・・記憶部
430・・・ROM
440・・・RAM
450・・・通信インターフェース
460・・・ユーザインターフェース
11 ... Contribution
420 ・ ・ ・
440 ... RAM
450 ・ ・ ・
Claims (10)
前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する情報処理手段とを備える、音声処理装置。 A reception means that accepts the input of multiple audio signals representing voice,
A voice processing device including an information processing means for calculating a recognition feature amount for recognizing specific attribute information from the plurality of voice signals based on the quality of the plurality of voice signals.
前記情報処理手段は、前記複数の音声信号の前記音声統計量と、前記複数の音声信号の前記品質とに基づいて、前記認識特徴量を算出する、請求項1に記載の音声処理装置。 Further provided with a voice statistic calculation means for calculating a voice statistic representing the ratio of sound types included in the plurality of voice signals.
The information processing device according to claim 1, wherein the information processing means calculates the recognition feature amount based on the voice statistic of the plurality of voice signals and the quality of the plurality of voice signals.
前記認識特徴量として i-vector を算出する、請求項3または4に記載の音声処理装置。 The information processing means
The voice processing device according to claim 3 or 4, which calculates an i-vector as the recognition feature amount.
音声信号を発した話者、音声信号を構成する言語、音声信号に含まれる感情表現、音声信号から推定される話者の性格の少なくともいずれか1つを表す情報である、請求項1〜6のいずれか1項に記載の音声処理装置。 The specific attribute information is
Claims 1 to 6, which are information representing at least one of the speaker who emitted the voice signal, the language constituting the voice signal, the emotional expression included in the voice signal, and the character of the speaker estimated from the voice signal. The audio processing device according to any one of the above items.
前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する、音声処理方法。 Accepts input of multiple audio signals representing audio,
A voice processing method for calculating a recognition feature amount for recognizing specific attribute information from the plurality of voice signals based on the quality of the plurality of voice signals.
前記複数の音声信号の前記音声統計量と、前記複数の音声信号の前記品質とに基づいて、前記認識特徴量を算出する、請求項8に記載の音声処理方法。 A voice statistic representing the ratio of sound types contained in the plurality of voice signals is further calculated.
The voice processing method according to claim 8, wherein the recognition feature amount is calculated based on the voice statistics of the plurality of voice signals and the quality of the plurality of voice signals.
音声を表す複数の音声信号の入力を受け付ける処理と、
前記複数の音声信号の品質に基づいて、前記複数の音声信号から特定の属性情報を認識するための認識特徴量を算出する処理とを実行させる、音声処理プログラム。 On the computer
Processing that accepts input of multiple audio signals representing voice,
A voice processing program that executes a process of calculating a recognition feature amount for recognizing specific attribute information from the plurality of voice signals based on the quality of the plurality of voice signals.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021029416A JP7216348B2 (en) | 2021-02-26 | 2021-02-26 | Speech processing device, speech processing method, and speech processing program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021029416A JP7216348B2 (en) | 2021-02-26 | 2021-02-26 | Speech processing device, speech processing method, and speech processing program |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019504164A Division JP6845489B2 (en) | 2017-03-07 | 2017-03-07 | Speech processor, speech processing method, and speech processing program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021092809A true JP2021092809A (en) | 2021-06-17 |
JP7216348B2 JP7216348B2 (en) | 2023-02-01 |
Family
ID=76312595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021029416A Active JP7216348B2 (en) | 2021-02-26 | 2021-02-26 | Speech processing device, speech processing method, and speech processing program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7216348B2 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012020591A1 (en) * | 2010-08-09 | 2012-02-16 | 日本電気株式会社 | System for identifying individuals, feature value specification device, feature specification method, and recording medium |
US20120303369A1 (en) * | 2011-05-26 | 2012-11-29 | Microsoft Corporation | Energy-Efficient Unobtrusive Identification of a Speaker |
JP2016075740A (en) * | 2014-10-03 | 2016-05-12 | 日本電気株式会社 | Voice processing device, voice processing method, and program |
-
2021
- 2021-02-26 JP JP2021029416A patent/JP7216348B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012020591A1 (en) * | 2010-08-09 | 2012-02-16 | 日本電気株式会社 | System for identifying individuals, feature value specification device, feature specification method, and recording medium |
US20120303369A1 (en) * | 2011-05-26 | 2012-11-29 | Microsoft Corporation | Energy-Efficient Unobtrusive Identification of a Speaker |
JP2016075740A (en) * | 2014-10-03 | 2016-05-12 | 日本電気株式会社 | Voice processing device, voice processing method, and program |
Non-Patent Citations (4)
Title |
---|
HITOSHI YAMAMOTO, ET AL.: "Denoising autoencoder-based speaker feature restoration for utterances of short duration", INTERSPEECH 2015, JPN7022002735, 6 September 2015 (2015-09-06), pages 1052 - 1056, ISSN: 0004869329 * |
LENKA MACKOVA, ET AL.: "Emotion Recognition in I-vector Space", 2016 26TH INTERNATIONAL CONFERENCE RADIOELEKTRONIKA, JPN6022023912, 19 April 2016 (2016-04-19), ISSN: 0004869331 * |
SRI GARIMELLA, ET AL.: "Robust i-vector based Adaptation of DNN Acoustic Model for Speech Recognition", INTERSPEECH 2015, JPN7022002734, 2015, ISSN: 0004869330 * |
俵 直弘: "i−vectorを用いたスペクトラルクラスタリングによる雑音環境下話者クラスタリング", 情報処理学会 研究報告 音声言語情報処理(SLP) 2015−SLP−105 [ONLINE], JPN6022023914, 28 February 2015 (2015-02-28), JP, ISSN: 0004800342 * |
Also Published As
Publication number | Publication date |
---|---|
JP7216348B2 (en) | 2023-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210183395A1 (en) | Method and system for automatically diarising a sound recording | |
US20200349956A1 (en) | Word-level blind diarization of recorded calls with arbitrary number of speakers | |
US10109280B2 (en) | Blind diarization of recorded calls with arbitrary number of speakers | |
JP5229219B2 (en) | Speaker selection device, speaker adaptation model creation device, speaker selection method, speaker selection program, and speaker adaptation model creation program | |
JP7342915B2 (en) | Audio processing device, audio processing method, and program | |
US11837236B2 (en) | Speaker recognition based on signal segments weighted by quality | |
WO2018192186A1 (en) | Speech recognition method and apparatus | |
Das et al. | Bangladeshi dialect recognition using Mel frequency cepstral coefficient, delta, delta-delta and Gaussian mixture model | |
JP2002358096A (en) | Method and device for training parameters of pattern recognition system exactly associated with one implemented transform example of one pattern from list | |
Elbarougy | Speech emotion recognition based on voiced emotion unit | |
KR102113879B1 (en) | The method and apparatus for recognizing speaker's voice by using reference database | |
Soni et al. | Text-dependent speaker verification using classical LBG, adaptive LBG and FCM vector quantization | |
JP7107377B2 (en) | Speech processing device, speech processing method, and program | |
JP7216348B2 (en) | Speech processing device, speech processing method, and speech processing program | |
JP6220733B2 (en) | Voice classification device, voice classification method, and program | |
JP7176629B2 (en) | Discriminative model learning device, discriminating device, discriminative model learning method, discriminating method, program | |
SUCIU et al. | SPEECH RECOGNITION SYSTEM. | |
Segărceanu et al. | SPEECH RECOGNITION SYSTEM | |
Noé | Emotion Recognition in Football Commentator Speech: Is the action intense or not? | |
Shivaprasad et al. | Optimized Features Extraction from Spectral and Temporal Features for Identifying the Telugu Dialects by Using GMM and HMM. | |
Chettri | Closed Set Text Independent Speaker Identification using Kernel Machines | |
Bharathi et al. | Improving the performance of speaker and language identification tasks using unique characteristics of a class | |
Dhinesh | Unifide framework for speaker-aware isolated word recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210226 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220615 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220809 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220907 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221202 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20221202 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20221215 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221221 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20221221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230103 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7216348 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |