JP6720520B2 - Emotion estimator generation method, emotion estimator generation device, emotion estimation method, emotion estimation device, and program - Google Patents

Emotion estimator generation method, emotion estimator generation device, emotion estimation method, emotion estimation device, and program Download PDF

Info

Publication number
JP6720520B2
JP6720520B2 JP2015247885A JP2015247885A JP6720520B2 JP 6720520 B2 JP6720520 B2 JP 6720520B2 JP 2015247885 A JP2015247885 A JP 2015247885A JP 2015247885 A JP2015247885 A JP 2015247885A JP 6720520 B2 JP6720520 B2 JP 6720520B2
Authority
JP
Japan
Prior art keywords
emotion
voice
section
change pattern
feature amount
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.)
Active
Application number
JP2015247885A
Other languages
Japanese (ja)
Other versions
JP2017111760A (en
Inventor
浩一 中込
浩一 中込
佐藤 勝彦
勝彦 佐藤
崇史 山谷
崇史 山谷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Casio Computer Co Ltd
Original Assignee
Casio Computer Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Casio Computer Co Ltd filed Critical Casio Computer Co Ltd
Priority to JP2015247885A priority Critical patent/JP6720520B2/en
Publication of JP2017111760A publication Critical patent/JP2017111760A/en
Application granted granted Critical
Publication of JP6720520B2 publication Critical patent/JP6720520B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、感情推定器生成方法、感情推定器生成装置、感情推定方法、感情推定装置及びプログラムに関する。 The present invention relates to an emotion estimator generation method, an emotion estimator generation device, an emotion estimation method, an emotion estimation device, and a program.

感情をラベリングした音声データ群を教師データとして機械学習により生成された感情推定装置を用いて、発話者の感情を推定する技術の開発が進められている。例えば、特許文献1は、音声の強度、音声のテンポ、音声の抑揚のそれぞれの変化量を求め、求めた変化量に基づいて発話者の感情を推定する技術を開示している。 A technique for estimating the emotion of a speaker is being developed by using an emotion estimation device generated by machine learning using a speech data group obtained by labeling emotions as teacher data. For example, Patent Document 1 discloses a technique of obtaining a change amount of each of a voice intensity, a voice tempo, and a voice intonation, and estimating a speaker's emotion based on the obtained change amount.

特開2002−91482号公報JP, 2002-91482, A

一般に、興奮した状態で発話すると、通常の発話時よりも話し方が早くなり、声が高くなる傾向がある。また、落胆した状態で発話すると、通常の発話時よりも話し方が遅くなり、声が低くなる傾向がある。このように、発話時の発話者の感情と音声の特徴量とは相関性がある。特許文献1は、このような音声データの特徴量の変化を解析することにより、発話者の感情を推定する技術を開示している。 Generally speaking, speaking in a state of excitement tends to be faster and louder than in normal speech. Further, when the user speaks in a disappointed state, his/her speaking style tends to be slower and the voice tends to be lower than that in normal speech. In this way, the emotion of the speaker at the time of utterance and the feature amount of the voice are correlated. Patent Document 1 discloses a technique for estimating the emotion of a speaker by analyzing such a change in the feature amount of voice data.

ところで、通常の感情状態で発話された音声の特徴量と怒った感情状態で発話された音声の特徴量とを比較した場合、短い言葉と長い言葉とでは特徴量の変化の傾向が異なる場合がある。例えば、発話しやすい短い言葉は、発話時の感情状態によって音声の特徴量の変化が大きい場合が多い。これに対して、早口言葉のように発話しにくい長い言葉は、発話時の感情状態によって音声の特徴量の変化が小さい場合がある。特許文献1が開示する技術は、このように発話時の感情状態によって音声の特徴量に変化が少ない言葉と変化が大きい言葉とを一律にして発話者の感情推定を行うので、推定精度が上がりにくいという問題があった。 By the way, when comparing the feature amount of the voice uttered in the normal emotional state and the feature amount of the voice uttered in the angry emotional state, the tendency of the change in the feature amount may be different between the short words and the long words. is there. For example, short words that are easy to speak often have large changes in the feature amount of the voice depending on the emotional state at the time of speech. On the other hand, for a long word that is difficult to speak, such as a quick spoken word, the change in the voice feature amount may be small depending on the emotional state at the time of speech. Since the technique disclosed in Patent Document 1 uniformly estimates a speaker's emotion by words that have little change in speech feature amount and words that have large change depending on the emotional state at the time of utterance, the estimation accuracy increases. There was a problem that it was difficult.

本発明は、このような状況を鑑みてなされたものであり、音声データから発話者の感情を推定する推定精度を向上することができる感情推定器生成方法、感情推定器生成装置、感情推定方法、感情推定装置及びプログラムを提供することを目的とする。 The present invention has been made in view of such circumstances, and an emotion estimator generation method, an emotion estimator generation device, and an emotion estimation method that can improve the estimation accuracy of estimating the emotion of a speaker from voice data. , An emotion estimation device and a program are provided.

上記目的を達成するため、本発明の第1の観点に係る感情推定器生成方法は、
教師データの元となる複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定ステップと、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定ステップと、
前記感情ごとに対応する前記特徴量の変化パターンごとに分類された音声データを教師データとして、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成ステップと、
を含むことを特徴とする。
In order to achieve the above object, the emotion estimator generation method according to the first aspect of the present invention is
An analysis interval setting step of setting an analysis interval for analyzing a feature amount of voice data including a plurality of emotional states which is a source of teacher data,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion A change pattern determination step of determining a change pattern of the feature amount,
Audio data classified for each change pattern of the feature quantity corresponding to each of the emotion as teacher data, and emotion estimator generation step of generating an emotion estimator for estimating a speaker emotion when the uttered voice ,
It is characterized by including.

また、本発明の第2の観点に係る感情推定器生成装置は、
教師データの元となる複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定手段と、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段と、
前記感情ごとに対応する前記特徴量の変化パターンごとに分類された音声データを教師データとして、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成手段と、
を含むことを特徴とする。
Further, the emotion estimator generation device according to the second aspect of the present invention is
Analysis section setting means for setting an analysis section for analyzing a feature amount of voice data including a plurality of emotional states which is a source of teacher data,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion Change pattern determining means for determining as a change pattern of the feature amount,
Audio data classified for each change pattern of the feature quantity corresponding to each of the emotion as teacher data, and emotion estimator generating means for generating an emotion estimator for estimating a speaker emotion when the uttered voice ,
It is characterized by including.

また、本発明の第3の観点に係るプログラムは、
コンピュータを
教師データの元となる複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定手段、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段、
前記感情ごとに対応する前記特徴量の変化パターンごとに分類された音声データを教師データとして、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成手段、
として機能させることを特徴とする。
A program according to the third aspect of the present invention is
An analysis section setting means for setting an analysis section for analyzing a feature amount of voice data including a plurality of emotional states which is a source of teacher data by a computer,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion Change pattern determining means for determining the change pattern of the feature amount,
The feature quantity of the speech data classified for each change pattern as teacher data, the emotion estimator generating means for generating an emotion estimator for estimating a speaker emotion when the uttered voice corresponding to each of the emotion,
It is characterized by making it function as.

また、本発明の第4の観点に係る感情推定方法は、
解析対象とする複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定ステップと、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定ステップと、
前記感情ごとに対応する前記特徴量の変化パターンごとに、前記特徴量の変化パターンと同じ特徴量の変化パターンを有する教師データに基づいて生成された、音声を発話したときの発話者の感情を推定する感情推定器を用いて、前記解析区間の音声を発話した時の発話者の感情を推定する感情推定ステップと、
を含むことを特徴とする。
The emotion estimation method according to the fourth aspect of the present invention is
An analysis section setting step for setting an analysis section for analyzing a feature amount of voice data including a plurality of emotional states to be analyzed,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion A change pattern determination step of determining a change pattern of the feature amount,
For each change pattern of the feature amount corresponding to each emotion, the emotion of the speaker at the time of uttering a voice, which is generated based on the teacher data having the change pattern of the same feature amount as the change pattern of the feature amount , Using an emotion estimator to estimate, an emotion estimation step of estimating the emotion of the speaker when the voice of the analysis section is uttered,
It is characterized by including.

また、本発明の第5の観点に係る感情推定装置は、
解析対象とする複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定手段と、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段と、
前記感情ごとに対応する前記特徴量の変化パターンごとに、前記特徴量の変化パターンと同じ特徴量の変化パターンを有する教師データに基づいて生成された、音声を発話したときの発話者の感情を推定する感情推定器を用いて、前記解析区間の音声を発話した時の発話者の感情を推定する感情推定手段と、
を備えることを特徴とする。
Further, the emotion estimation device according to the fifth aspect of the present invention is
Analysis section setting means for setting an analysis section for analyzing a feature amount of voice data including a plurality of emotional states to be analyzed,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion Change pattern determining means for determining as a change pattern of the feature amount,
For each change pattern of the feature amount corresponding to each emotion, the emotion of the speaker at the time of uttering a voice, which is generated based on the teacher data having the change pattern of the same feature amount as the change pattern of the feature amount , Using an emotion estimator for estimating, an emotion estimating means for estimating the emotion of the speaker when the voice of the analysis section is uttered,
It is characterized by including.

本発明によれば、音声データから発話者の感情を推定する推定精度を向上することができる。 According to the present invention, it is possible to improve the estimation accuracy for estimating the emotion of the speaker from the voice data.

本発明の実施形態1に係る感情推定器生成装置の物理構成を示すブロック図である。It is a block diagram which shows the physical constitution of the emotion estimator production|generation apparatus which concerns on Embodiment 1 of this invention. 本発明の実施形態1に係る感情推定器生成装置の機能構成を示すブロック図である。It is a block diagram which shows the functional structure of the emotion estimator production|generation apparatus which concerns on Embodiment 1 of this invention. 形態素について説明するための図である。It is a figure for demonstrating a morpheme. モーラ区間について説明するための図である。It is a figure for demonstrating a mora area. 特徴量の解析方法について説明するための図である。It is a figure for demonstrating the analysis method of a feature-value. 特徴量の解析方法について説明するための図である。It is a figure for demonstrating the analysis method of a feature-value. クラス分けについて説明するための図である。It is a figure for explaining classification. 生成された感情推定装置の識別閾値のイメージについて説明するための図である。It is a figure for demonstrating the image of the identification threshold value of the produced emotion estimation apparatus. 感情推定装置の機能構成を示すブロック図である。It is a block diagram which shows the functional structure of an emotion estimation apparatus. 感情推定器の生成処理について説明するためのフローチャートである。It is a flow chart for explaining generation processing of an emotion estimator. 感情推定処理について説明するためのフローチャートである。It is a flowchart for explaining an emotion estimation process. 変形例1に係る特徴量の解析区間について説明するための図である。FIG. 8 is a diagram for explaining an analysis section of a feature amount according to Modification Example 1. 変形例1に係る特徴量の解析方法について説明するための図である。FIG. 10 is a diagram for explaining a method of analyzing a feature amount according to Modification Example 1. 変形例2に係る音声の強度による特徴量の解析について説明するための図である。FIG. 11 is a diagram for explaining analysis of a feature amount based on the strength of a voice according to Modification 2. 変形例5に係る複数の感情の度合いを推定する技術について説明するための図である。FIG. 16 is a diagram for explaining a technique of estimating the degrees of a plurality of emotions according to Modification 5;

以下、本発明の実施形態に係る感情推定器生成方法、感情推定器生成装置、感情推定方法、感情推定装置及びプログラムについて、図面を参照しながら説明する。なお、図中同一又は相当する部分には同一符号を付す。 Hereinafter, an emotion estimator generation method, an emotion estimator generation device, an emotion estimation method, an emotion estimation device, and a program according to an embodiment of the present invention will be described with reference to the drawings. The same or corresponding parts in the drawings are designated by the same reference numerals.

(実施形態1)
本実施形態では、音声データから発話者の感情を推定する感情推定器を生成する感情推定器生成装置について説明した後、音声を発話した時の発話者の感情を推定する感情推定装置について説明する。本実施形態では、感情推定装置が、発話者の感情を悲しんでいる状態(悲しみ)、退屈している状態(退屈)、怒っている状態(怒り)、驚いている状態(驚き)、落胆している状態(落胆)、嫌悪感を抱いている状態(嫌悪)、喜んでいる状態(喜び)、の基本的な7種類の感情状態のいずれかであると推定する場合について説明する。
なお、以下の実施形態では、音声データの特徴量の変化パターンをアクセント型と称する。
(Embodiment 1)
In the present embodiment, an emotion estimator generation device that generates an emotion estimator that estimates the emotion of the speaker from the voice data will be described, and then an emotion estimation device that estimates the emotion of the speaker when the voice is uttered will be described. .. In the present embodiment, the emotion estimation device is in a state of being sad (sorrowful), bored (bored), angry (angry), surprised (surprised), or discouraged by the speaker's emotions. A case will be described in which it is estimated that the emotional state is one of the seven basic emotional states: a state of being depressed (discouraged), a state of having disgust (dislike), and a state of being pleased (joy).
It should be noted that in the following embodiments, a change pattern of the feature amount of the audio data is called an accent type.

実施形態1に係る感情推定器生成装置100は、物理的には、図1に示すように、制御部1と、記憶部2と、入出力部3と、バス4と、を備える。 The emotion estimator generation device 100 according to the first embodiment physically includes a control unit 1, a storage unit 2, an input/output unit 3, and a bus 4, as illustrated in FIG. 1.

制御部1は、ROM(Read Only Memory)と、RAM(Random Access Memory)と、CPU(Central Processing Unit)と、を備える。ROMは、本実施形態に係る感情推定器生成プログラム、及び、各種初期設定、ハードウェアの検査、プログラムのロード等を行うための初期プログラム等を記憶する。RAMは、CPUが実行する各種ソフトウェアプログラム、これらのソフトウェアプログラムの実行に必要なデータ等を一時的に記憶するワークエリアとして機能する。CPUは、各種ソフトウェアプログラムを実行することにより、様々な処理及び演算を実行する中央演算処理部である。 The control unit 1 includes a ROM (Read Only Memory), a RAM (Random Access Memory), and a CPU (Central Processing Unit). The ROM stores an emotion estimator generation program according to this embodiment, an initial program for performing various initial settings, hardware inspection, program loading, and the like. The RAM functions as a work area for temporarily storing various software programs executed by the CPU, data necessary for executing these software programs, and the like. The CPU is a central processing unit that executes various processes and operations by executing various software programs.

記憶部2は、ハードディスクドライブ、フラッシュメモリ等の不揮発性メモリを備える。記憶部2は、教師データとする音声データ等を記憶する。 The storage unit 2 includes a non-volatile memory such as a hard disk drive and a flash memory. The storage unit 2 stores voice data or the like used as teacher data.

入出力部3は、教師データとする音声データを取得するための音声入力装置、CD(Compact Disc)ドライブ、USB(Universal Serial Bus)インタフェースを備える。入出力部3は、教師データとする音声データを取得する。また、入出力部3は、生成した感情推定器をプログラムもしくは感情推定器の特性を決めるパラメータを外部装置に出力する。 The input/output unit 3 includes a voice input device for acquiring voice data to be teacher data, a CD (Compact Disc) drive, and a USB (Universal Serial Bus) interface. The input/output unit 3 acquires voice data to be teacher data. The input/output unit 3 also outputs a program for the generated emotion estimator or a parameter that determines the characteristics of the emotion estimator to an external device.

バス4は、制御部1と、記憶部2と、入出力部3と、を接続する。 The bus 4 connects the control unit 1, the storage unit 2, and the input/output unit 3.

感情推定器生成装置100は、機能的には、図2に示すように、音声データ取得部110と、解析区間設定部120と、アクセント型決定部130と、特徴量抽出部140と、感情推定器生成部150と、を含む。また、解析区間設定部120は、形態素解析部121とアクセント句抽出部122と、を含む。また、アクセント型決定部130は、モーラ区間抽出部131と、アクセント型抽出部132と、を含む。 Functionally, the emotion estimator generation device 100 has a voice data acquisition unit 110, an analysis section setting unit 120, an accent type determination unit 130, a feature amount extraction unit 140, and an emotion estimation as shown in FIG. And a container generator 150. The analysis section setting unit 120 also includes a morpheme analysis unit 121 and an accent phrase extraction unit 122. Further, the accent type determination unit 130 includes a mora section extraction unit 131 and an accent type extraction unit 132.

音声データ取得部110は、入出力部3を介して感情推定器を生成するために教師データとして使用する音声データを取得する。教師データは、例えば、悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、の7種類の感情状態で発話された音声から構成される。また、教師データは、十分に多くの種類の語句を含む音声データで構成される。教師データを発話する人数及び教師データに含まれるアクセント句の種類は多い方が好ましい。アクセント句とは、名詞と助詞、もしくは動詞と助動詞を結合した音声データを区分する単位である。例えば、教師データとして、500人程度の多人数が7種類の感情状態で発話した、1000種類以上のアクセント句を含む音声データを準備する。 The voice data acquisition unit 110 acquires voice data used as teacher data for generating an emotion estimator via the input/output unit 3. The teacher data is composed of, for example, voices uttered in seven emotional states: sadness, boredom, anger, surprise, discouragement, disgust, and joy. In addition, the teacher data is composed of voice data containing a sufficiently large number of types of words and phrases. It is preferable that the number of utterers of the teacher data and the types of accent phrases included in the teacher data are large. An accent phrase is a unit that divides voice data that combines a noun and a particle, or a verb and an auxiliary verb. For example, as the teacher data, voice data including 1000 or more kinds of accent phrases that a large number of about 500 people uttered in 7 kinds of emotional states is prepared.

解析区間設定部120は、教師データとする音声データの特徴を解析する単位である解析区間を設定する。そのために、解析区間設定部120は、形態素解析部121とアクセント句抽出部122とを備える。 The analysis section setting unit 120 sets an analysis section, which is a unit for analyzing the characteristics of the voice data as the teacher data. Therefore, the analysis section setting unit 120 includes a morpheme analysis unit 121 and an accent phrase extraction unit 122.

形態素解析部121は、取得した音声データを形態素に分割する。形態素とは、言語としての意味を有する最小単位である。例えば、「坊主が屏風に上手に坊主の絵を描いた」という音声は、図3に示すように、「坊主」、「が」、「屏風」、「に」、「上手」、「に」、「坊主」、「の」、「絵」、「を」、「描い」、「た」の12個の形態素に分割される。 The morpheme analysis unit 121 divides the acquired voice data into morphemes. A morpheme is a minimum unit having a meaning as a language. For example, as shown in FIG. 3, the voice "Bow draws a picture of a bōbo in a folding screen" is shown in FIG. 3, "Bow", "ga", "screen", "ni", "good", "ni". , "Shaved", "no", "picture", "wo", "draw", "ta" are divided into 12 morphemes.

アクセント句抽出部122は、取得した音声データからアクセント句を抽出する。アクセント句とは、形態素に分割した名詞又は動詞に、それに続く助詞又は助動詞を結合した区間である。上述の例では、アクセント句は、「坊主が」、「屏風に」、「上手に」、「坊主の」、「絵を」、「描いた」となる。本実施形態では、このアクセント句の単位で音声データの特徴を解析する場合について説明する。アクセント句の単位で音声データを解析する理由は、アクセント句の単位で発話者の感情状態が変化する場合が多いからである。 The accent phrase extraction unit 122 extracts an accent phrase from the acquired voice data. An accent phrase is a section in which a noun or verb divided into morphemes is followed by a particle or auxiliary verb. In the above-mentioned example, the accent phrases are "shaved", "in the folding screen", "well", "shaved", "picture", and "painted". In the present embodiment, a case will be described in which the characteristics of voice data are analyzed in units of accent phrases. The reason why the voice data is analyzed in units of accent phrases is that the emotional state of the speaker often changes in units of accent phrases.

アクセント型決定部130は、アクセント句のアクセント型を決定する。アクセント型とは、アクセント句を構成する音節が発話されている区間であるモーラ区間ごとに、音声の特徴量が平均特徴量に対して大きい場合には「H」、小さい場合には「L」を付与して得られる「H」と「L」の組み合わせのパターンである。アクセント型を決定するために、アクセント型決定部130は、モーラ区間抽出部131とアクセント型抽出部132とを備える。 The accent type determination unit 130 determines the accent type of the accent phrase. The accent type is "H" when the feature amount of the speech is larger than the average feature amount and "L" when the feature amount of the speech is smaller than the average feature amount for each mora section in which the syllables forming the accent phrase are spoken. Is a pattern of a combination of "H" and "L". To determine the accent type, the accent type determination unit 130 includes a mora section extraction unit 131 and an accent type extraction unit 132.

モーラ区間抽出部131は、図4に示すように、解析対象のアクセント句区間の音声データから、モーラ区間を抽出する。モーラ区間は1つの音節が発話されている区間である。アクセント句「坊主が」の場合で説明すると、「ボ」、「ウ」、「ズ」、「ガ」のそれぞれの音節がモーラ区間である。 As shown in FIG. 4, the mora section extraction unit 131 extracts a mora section from the voice data of the accent phrase section to be analyzed. The mora section is a section in which one syllable is uttered. Explaining in the case of the accent phrase "Bozu ga", each syllable of "BO", "U", "Z", and "GA" is a mora section.

アクセント型抽出部132は、モーラ区間のそれぞれが「H」もしくは「L」のいずれに該当するかを判別し、アクセント句のアクセント型を抽出する。アクセント型の抽出方法には、音声の強度、音声のピッチ、音素の発話時間長等の特徴量を使用する方法がある。ここでは、音声のピッチに着目した抽出方法について、図5と図6を参照しながら説明する。 The accent type extraction unit 132 determines whether each of the mora sections corresponds to “H” or “L”, and extracts the accent type of the accent phrase. As an accent type extraction method, there is a method of using a feature amount such as voice intensity, voice pitch, and phoneme utterance time length. Here, an extraction method focusing on the pitch of voice will be described with reference to FIGS. 5 and 6.

アクセント型抽出部132は、図5に示すように、モーラ区間をさらに細分する所定時間の時間窓を設定する。1つのモーラ区間に対して、窓1を設定し、その窓内の音声データをFFT(Fast Fourier Transform)変換する。次に、窓1を所定時間dtずらした窓2内の音声データをFFT変換する。以下、同様に窓n内の音声データをFFT変換する。時間窓の設定方法は、例えば、モーラ区間内に10以上の時間窓を構成するように時間窓とずらす時間幅dtを設定する。時間窓の数が少なすぎると、計算精度が低下するからである。 As shown in FIG. 5, the accent type extraction unit 132 sets a time window of a predetermined time that further subdivides the mora section. The window 1 is set for one mora section, and the voice data in the window is subjected to FFT (Fast Fourier Transform) conversion. Next, the audio data in the window 2 which is the window 1 shifted by a predetermined time dt is subjected to FFT conversion. Thereafter, the audio data in the window n is similarly FFT-converted. As a method of setting the time window, for example, the time width dt shifted from the time window is set so that 10 or more time windows are formed in the mora section. This is because if the number of time windows is too small, the calculation accuracy will decrease.

図6は、上記のFFT変換により得られた各窓内の音声データのスペクトル分布を示した例である。横軸は周波数であり、縦軸はスペクトルの強度である。このスペクトルの中で最も低い周波数領域に存在するピーク周波数をf0とする。このf0は、その窓区間の音声データから得られた発話者固有の基本周波数を示す。窓1から得られたf0をf0_1、窓2から得られたf0をf0_2、とする。同様にして、窓nから得られたf0をf0_nとする。そして、アクセント型抽出部132は、f0_1からf0_nまでの平均値を計算し、第1モーラ区間の平均基本周波数1_f0とする。 FIG. 6 is an example showing a spectral distribution of audio data in each window obtained by the above FFT conversion. The horizontal axis represents frequency and the vertical axis represents spectrum intensity. The peak frequency existing in the lowest frequency region in this spectrum is f0. This f0 represents a speaker-specific fundamental frequency obtained from the voice data in the window section. Let f0 obtained from the window 1 be f0_1 and f0 obtained from the window 2 be f0_2. Similarly, f0 obtained from the window n is set to f0_n. Then, the accent type extraction unit 132 calculates the average value from f0_1 to f0_n and sets it as the average fundamental frequency 1_f0 of the first mora section.

アクセント型抽出部132は、アクセント句に含まれる全てのモーラ区間について同様の計算をする。第mモーラ区間の平均基本周波数m_f0は、式1を用いて算出することができる。 The accent type extraction unit 132 performs the same calculation for all mora sections included in the accent phrase. The average fundamental frequency m_f0 in the m-th mora section can be calculated using Expression 1.

m_f0=1/n・Σf0_n (式1) m_f0=1/n・Σf0_n (Equation 1)

次に、アクセント型抽出部132は、アクセント句区間における平均基本周波数m_thを式2を用いて求める。 Next, the accent type extraction unit 132 obtains the average fundamental frequency m_th in the accent phrase section using Expression 2.

m_th={max(1_f0,・・・,n_f0)−min(1_f0,・・・,n_f0)}/2 (式2) m_th={max(1_f0,...,n_f0)−min(1_f0,...,n_f0)}/2 (Equation 2)

次に、アクセント型抽出部132は、モーラ区間の平均基本周波数m_f0とアクセント句区間の平均基本周波数m_thとを比較し、m_f0≧m_thであれば「H」、m_f0<m_thであれば「L」をそれぞれのモーラ区間に付与する。アクセント型抽出部132は、このようにアクセント句を構成するモーラ区間ごとに「H」と「L」を付与することにより、HとLの組み合わせで構成されるアクセント型を抽出する。 Next, the accent type extraction unit 132 compares the average fundamental frequency m_f0 of the mora section with the average fundamental frequency m_th of the accent phrase section, and if m_f0≧m_th, “H”, and if m_f0<m_th, “L”. Is assigned to each mora section. The accent type extraction unit 132 extracts the accent type formed by the combination of H and L by adding “H” and “L” to each mora section that forms the accent phrase in this way.

アクセント型決定部130は、教師データから生成されたアクセント句の全てについて、この処理を行う。図7に示すアクセント型の例は、大量の教師データから得られたアクセント型の中で発生頻度が高い順に20種類のアクセント型を選択した、モーラ区間数が6以下の例である。解析対象のアクセント句に含まれるモーラ区間の数が6以下である場合、この20種類のアクセント型に対して順にクラス1からクラス20までのクラス名を付与する。アクセント型とクラスとは1対1に対応している。アクセント型決定部130は、教師データとするアクセント句単位の音声データとアクセント型(クラス)とを対応付けて記憶部2に記憶する。なお、この20種類のアクセント型に該当しなかったアクセント句は、教師データから除外する。以後、本実施形態では、解析対象とするアクセント句に含まれるモーラ区間数が6以下である場合について説明する。 The accent type determination unit 130 performs this process for all the accent phrases generated from the teacher data. The example of the accent type shown in FIG. 7 is an example in which the number of mora sections is 6 or less, in which 20 types of accent types are selected in descending order of occurrence frequency among accent types obtained from a large amount of teacher data. When the number of mora sections included in the accent phrase to be analyzed is 6 or less, class names from class 1 to class 20 are sequentially assigned to these 20 types of accent types. There is a one-to-one correspondence between accent types and classes. The accent type determination unit 130 associates the accent phrase unit (voice data) as the teacher data with the accent type (class) and stores them in the storage unit 2. Note that accent phrases that do not correspond to these 20 types of accent types are excluded from the teacher data. Hereinafter, in this embodiment, a case where the number of mora sections included in the accent phrase to be analyzed is 6 or less will be described.

ここで、アクセント句に含まれるモーラ区間数が6以下の場合における20種類のアクセント型の選択方法は、7種類の感情で発話された大量の日本語を統計処理した実験結果に基づいて、発生頻度が高い順に20種類のアクセント型を選択する。アクセント型のクラス数を減らすと、アクセント型に該当しない教師データの頻度が高くなり、生成された感情推定器を内蔵した感情推定装置の推定精度が低下することになる。一方、アクセント型のクラス数を増やすと、生成する感情推定器の種類が増えるので感情推定装置の製造コストが高くなることになる。したがって、この2つの兼ね合いでアクセント型のクラス数を決定する。なお、アクセント型を20種類としたのはアクセント句に含まれるモーラ区間数が6以下の場合である日本語の場合の例である。アクセント句に含まれるモーラ区間数が7以上である場合、もしくは他の言語の場合は、アクセント型の発生頻度についてさらに統計処理して決める必要がある。 Here, 20 kinds of accent type selection methods when the number of mora sections included in the accent phrase is 6 or less are generated based on an experimental result obtained by statistically processing a large amount of Japanese uttered with 7 kinds of emotions. 20 types of accent types are selected in descending order of frequency. If the number of accent type classes is reduced, the frequency of teacher data that does not correspond to the accent type increases, and the estimation accuracy of the emotion estimation device having the generated emotion estimator decreases. On the other hand, if the number of accent-type classes is increased, the number of types of emotion estimators to be generated increases, which increases the manufacturing cost of the emotion estimation device. Therefore, the number of accent type classes is determined based on these two tradeoffs. Note that the number of accent types is 20 in the case of Japanese, where the number of mora sections included in the accent phrase is 6 or less. When the number of mora sections included in the accent phrase is 7 or more, or in the case of another language, it is necessary to further determine the frequency of accent type occurrence by statistical processing.

図2に戻って、特徴量抽出部140は、アクセント句ごとの音声の特徴量を抽出する。音声の特徴量とは、音声の大きさ、音声のピッチ、音素の発話時間長等である。そして、抽出した特徴量にアクセント型決定部130で決定したクラス1からクラス20のクラス名を付与し、教師データとして記憶部2に記憶する。 Returning to FIG. 2, the feature amount extraction unit 140 extracts the voice feature amount for each accent phrase. The feature amount of the voice is the volume of the voice, the pitch of the voice, the utterance time length of the phoneme, and the like. Then, the extracted feature quantities are given class names from class 1 to class 20 determined by the accent type determination unit 130, and stored in the storage unit 2 as teacher data.

感情推定器生成部150は、教師データをクラスごとに記憶部2から取得し、それぞれのクラスに適応した感情推定器を生成する。具体的には、感情推定器生成部150は、クラス1に分類された教師データを取得し、その教師データの発話時の感情状態を、7種類の感情状態である悲しんでいる状態(悲しみ)、退屈している状態(退屈)、怒っている状態(怒り)、驚いている状態(驚き)、落胆している状態(落胆)、嫌悪感を抱いている状態(嫌悪)、喜んでいる状態(喜び)、に分類するクラス1用の感情推定器を生成する。図8は、7種類の感情に識別する識別閾値を2次元で表現したイメージ図である。教師データに基づいて感情推定器を生成する方法には公知の技術を用いることができる。次に、感情推定器生成部150は、クラス2に分類された教師データを取得し、その教師データの発話時の感情状態を、7種類の感情状態である悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、に分類するクラス2用の感情推定器を生成する。同様にして、感情推定器生成部150は、クラス20までの感情推定器を生成する。 The emotion estimator generation unit 150 acquires teacher data for each class from the storage unit 2 and generates an emotion estimator adapted to each class. Specifically, the emotion estimator generation unit 150 acquires the teacher data classified into class 1 and sets the emotional state at the time of utterance of the teacher data in seven sad emotional states (sadness). , Bored (bored), angry (angry), surprised (surprised), discouraged (disappointed), disgusted (disliked), pleased An emotion estimator for class 1 classified into (joy) is generated. FIG. 8 is an image diagram in which a discrimination threshold for discriminating between seven types of emotions is two-dimensionally expressed. A known technique can be used for the method of generating the emotion estimator based on the teacher data. Next, the emotion estimator generation unit 150 acquires the teacher data classified into class 2, and determines the emotional state at the time of utterance of the teacher data as seven types of emotional states: sadness, boredom, anger, surprise, and discouragement. Generates an emotion estimator for class 2, which is classified into hate, hate, and happiness. Similarly, the emotion estimator generation unit 150 generates emotion estimators up to class 20.

次に、上記の説明により生成した20種類の感情推定器を内蔵する感情推定装置200の構成について、図9を参照しながら説明する。感情推定装置200は、物理的には、図1に示す構成と同じである。 Next, the configuration of the emotion estimation device 200 incorporating the 20 types of emotion estimators generated by the above description will be described with reference to FIG. The emotion estimation device 200 is physically the same as the configuration shown in FIG.

制御部1が備えるROMは、本実施形態に係る感情推定器生成装置100で生成された感情推定プログラムを記憶する。記憶部2は、解析対象とする音声データ等を記憶する。入出力部3は、解析対象とする音声データを取得するための音声入力装置、CDドライブ、USBインタフェースを備える。また、入出力部3は、感情推定器生成装置100で生成された感情推定器の特性を決定するパラメータを取得するようにしてもよい。また、入出力部3は、感情を推定した結果を出力するための表示装置もしくは音声出力装置を備える。 The ROM included in the control unit 1 stores the emotion estimation program generated by the emotion estimator generation device 100 according to this embodiment. The storage unit 2 stores voice data to be analyzed. The input/output unit 3 includes a voice input device for obtaining voice data to be analyzed, a CD drive, and a USB interface. Further, the input/output unit 3 may acquire the parameter that determines the characteristic of the emotion estimator generated by the emotion estimator generation device 100. The input/output unit 3 also includes a display device or a voice output device for outputting the result of emotion estimation.

感情推定装置200は、図9に示すように、音声データ取得部210と、話者分割部220と、解析区間設定部230と、アクセント型決定部240と、選択部250と、特徴量抽出部260と、感情推定部270と、統合部280と、の機能を含む。また、解析区間設定部230は、形態素解析部231とアクセント句抽出部232との機能を含む。また、アクセント型決定部240は、モーラ区間抽出部241とアクセント型抽出部242との機能を含む。 As shown in FIG. 9, the emotion estimation device 200 includes a voice data acquisition unit 210, a speaker division unit 220, an analysis section setting unit 230, an accent type determination unit 240, a selection unit 250, and a feature amount extraction unit. The functions of 260, the emotion estimation unit 270, and the integration unit 280 are included. The analysis section setting unit 230 also includes the functions of the morpheme analysis unit 231 and the accent phrase extraction unit 232. Further, the accent type determination unit 240 includes the functions of the mora section extraction unit 241 and the accent type extraction unit 242.

音声データ取得部210は、ユーザが発話した解析対象とする音声を取得する。音声データ取得部210は、マイク等の音声取得装置から構成される。また、音声データ取得部210は、CDドライブ、USBインタフェースを備え、音声データとしてユーザの音声を取得することもできる。 The voice data acquisition unit 210 acquires the voice that is the analysis target and is uttered by the user. The voice data acquisition unit 210 is composed of a voice acquisition device such as a microphone. Further, the audio data acquisition unit 210 includes a CD drive and a USB interface, and can also acquire a user's audio as audio data.

話者分割部220は、取得した解析対象の音声データを話者ごとに分割する。音声データの中に複数人の音声データが存在する場合、1人の話者が発話した文ごとに発話者の感情を推定するためである。音声データを話者ごとに分割する方法は、公知の技術を用いて行う。例えば、音声の強度、音声のピッチ、音素の発話時間長等の相関性に基づいて分割することができる。 The speaker division unit 220 divides the acquired voice data to be analyzed for each speaker. This is because when the voice data of a plurality of persons is present in the voice data, the emotion of the speaker is estimated for each sentence uttered by one speaker. A method of dividing the voice data into speakers is performed by using a known technique. For example, the division can be performed based on the correlation between the voice intensity, the voice pitch, the phoneme utterance time length, and the like.

解析区間設定部230、アクセント型決定部240は、感情推定器の生成時と同じ条件下で解析対象の音声データを解析するために、感情推定器生成装置100と同じ構成を有している。つまり、解析区間設定部230は、音声データからアクセント句を抽出し、アクセント型決定部240は、アクセント句ごとにアクセント型(クラス)を決定する。 The analysis section setting unit 230 and the accent type determination unit 240 have the same configuration as the emotion estimator generation device 100 in order to analyze the voice data to be analyzed under the same conditions as when the emotion estimator was generated. That is, the analysis section setting unit 230 extracts the accent phrase from the voice data, and the accent type determination unit 240 determines the accent type (class) for each accent phrase.

選択部250は、クラス分けされたアクセント句ごとに、該当するクラスに対応する感情推定器を選択する。具体的には、感情推定装置200に内蔵している20種類の感情推定器の中から、解析対象のアクセント句のクラスに対応する感情推定器を選択する。 The selection unit 250 selects an emotion estimator corresponding to the corresponding class for each accent phrase classified into classes. Specifically, the emotion estimator corresponding to the accent phrase class to be analyzed is selected from the 20 types of emotion estimators built into the emotion estimation device 200.

特徴量抽出部260は、感情推定器生成装置100と同じ構成を有しており、同じ条件下で音声データから特徴量を抽出する。そして、特徴量抽出部260は、抽出した特徴量とアクセント型を示すクラス名とを対応付けて記憶部2に記憶する。 The feature amount extraction unit 260 has the same configuration as the emotion estimator generation device 100, and extracts the feature amount from the voice data under the same conditions. Then, the feature amount extraction unit 260 stores the extracted feature amount and the class name indicating the accent type in the storage unit 2 in association with each other.

感情推定部270は、選択部250が選択した感情推定器を用いて、アクセント句ごとに発話者の感情を推定する。具体的には、感情推定部270は、クラス1に分類されたアクセント句の感情を推定する場合には、クラス1用の感情推定器を選択して発話者の感情を推定する。感情推定部270は、クラスnに分類されたアクセント句の感情を推定する場合には、クラスn用の感情推定器を選択して発話者の感情を推定する。そして、感情推定部270は、解析対象のアクセント句を発話したときの発話者の感情状態が、悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、のいずれの感情状態に該当するかを推定する。 The emotion estimation unit 270 estimates the emotion of the speaker for each accent phrase using the emotion estimator selected by the selection unit 250. Specifically, when estimating the emotion of the accent phrase classified into class 1, the emotion estimation unit 270 selects the emotion estimator for class 1 and estimates the emotion of the speaker. When estimating the emotion of the accent phrase classified into class n, emotion estimating section 270 selects the emotion estimator for class n and estimates the emotion of the speaker. Then, the emotion estimation unit 270 estimates whether the emotional state of the speaker when speaking the accent phrase to be analyzed corresponds to the emotional state of sadness, boredom, anger, surprise, discouragement, disgust, or joy. To do.

統合部280は、発話者の感情を音声データの文単位で推定する。具体的には、統合部280は、1文の中で最も多かった感情をその文を発話した発話者の感情として推定する。例えば、「坊主が」、「屏風に」、「上手に」、「坊主の」、「絵を」、「描い」、「た」の7つのアクセント句から構成される「坊主が屏風に上手に坊主の絵を描いた」という文において、「喜び」と判別されたアクセント句の数が4であり、「怒り」と判別されたアクセント句の数が2であり、「驚き」と判別されたアクセント句の数が1であった場合、一番多い「喜び」をこの「坊主が屏風に上手に坊主の絵を描いた」を発話したときの発話者の感情として推定する。 The integration unit 280 estimates the emotion of the speaker for each sentence of voice data. Specifically, the integration unit 280 estimates the most common emotion in one sentence as the emotion of the speaker who uttered the sentence. For example, "Bozu is a folding screen," which consists of seven accent phrases: "Bozu ga", "Byobu ni", "I am good", "Bozu no", "Picture", "Draw", and "Ta". In the sentence "I drew a picture of a shaved", the number of accent phrases judged as "joy" was 4, the number of accent phrases judged as "anger" was 2, and it was judged as "surprise". When the number of accent phrases is 1, the most "joy" is estimated as the emotion of the speaker when the "shaved the picture of the shaved head by the shaved head" is uttered.

次に、以上の構成を有する感情推定器生成装置100が感情推定器を生成する処理について、図10を参照しながら説明する。教師データとして使用する悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、の7種類の感情状態で発話された音声データは、予め記憶部2に記憶されているものとする。解析対象の音声データに含まれるアクセント句のモーラ区間数は6以下であると仮定する。感情推定器を生成する担当者が、感情推定器生成装置100に予めインストールされている感情推定器生成プログラムを起動することにより、図10に示すフローチャートは開始される。 Next, a process in which the emotion estimator generation device 100 having the above configuration generates an emotion estimator will be described with reference to FIG. 10. It is assumed that the voice data used as teacher data, which is uttered in seven emotional states of sadness, boredom, anger, surprise, discouragement, disgust, and joy, is stored in advance in the storage unit 2. It is assumed that the number of mora sections of the accent phrase included in the voice data to be analyzed is 6 or less. The person in charge of generating the emotion estimator starts the emotion estimator generation program installed in advance in the emotion estimator generation device 100 to start the flowchart shown in FIG. 10.

制御部1は、感情推定器生成プログラムが起動されると、記憶部2に記憶されている教師データを音声データ取得部110に取得する(ステップS11)。そして、形態素解析部121は、取得した音声データを形態素の単位で分割する(ステップS12)。次に、アクセント句抽出部122は、音声データの特徴を解析する単位であるアクセント句を抽出し、音声データをアクセント句に分割する(ステップS13)。 When the emotion estimator generation program is activated, the control unit 1 acquires the teacher data stored in the storage unit 2 into the voice data acquisition unit 110 (step S11). Then, the morpheme analysis unit 121 divides the acquired voice data in units of morphemes (step S12). Next, the accent phrase extraction unit 122 extracts an accent phrase, which is a unit for analyzing the characteristics of the voice data, and divides the voice data into accent phrases (step S13).

次に、モーラ区間抽出部131は、アクセント句に含まれるモーラ区間を抽出する(ステップS14)。そして、アクセント型抽出部132は、アクセント句のアクセント型を抽出する(ステップS15)。具体的には、アクセント型抽出部132は、図7を用いて説明したように、教師データとして使用するアクセント句を20のクラスに分類する(ステップS16)。アクセント型抽出部132は、その分類をするために、図5と図6を用いて説明したように、モーラ区間ごとの平均基本周波数m_f0とアクセント句区間の平均基本周波数m_thとを比較し、m_f0≧m_thであれば「H」、m_f0<m_thであれば「L」をそれぞれのモーラ区間に付与する。アクセント型抽出部132は、このようにして教師データとして使用するアクセント句に対して、アクセント句を構成するモーラ区間ごとにHとLを付与し、HとLのパターンによりアクセント型を抽出する。そして、アクセント型決定部130は、教師データのアクセント型を図7に示す20のアクセント型(クラス)の何れかに決定する。 Next, the mora section extraction unit 131 extracts the mora section included in the accent phrase (step S14). Then, the accent type extraction unit 132 extracts the accent type of the accent phrase (step S15). Specifically, the accent type extraction unit 132 classifies the accent phrases used as teacher data into 20 classes, as described with reference to FIG. 7 (step S16). In order to make the classification, the accent type extraction unit 132 compares the average fundamental frequency m_f0 of each mora section with the average fundamental frequency m_th of the accent phrase section, as described with reference to FIGS. 5 and 6, and m_f0 If ≧m_th, “H” is given to each mora section, and if m_f0<m_th, “L” is given to each mora section. The accent type extraction unit 132 assigns H and L to the accent phrase used as the teacher data in this way for each mora section forming the accent phrase, and extracts the accent type from the H and L pattern. Then, the accent type determination unit 130 determines the accent type of the teacher data to be one of the 20 accent types (classes) shown in FIG. 7.

次に、特徴量抽出部140は、教師データとする音声データの特徴量をアクセント句ごとに抽出し、抽出した特徴量のデータと分類されたクラスとを対応付けて教師データとして記憶部2に記憶する(ステップS17)。 Next, the feature amount extraction unit 140 extracts the feature amount of the voice data to be the teacher data for each accent phrase, and associates the extracted feature amount data with the classified class in the storage unit 2 as the teacher data. It is stored (step S17).

感情推定器生成部150は、アクセント型(クラス)ごとに分類された教師データに基づいて、それぞれのクラスごとに感情推定器を生成する(ステップS18)。具体的には、感情推定器生成部150は、クラス1に分類された教師データ(アクセント句)を取得して、その教師データの発話時の感情状態を、7種類の感情状態である悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、に分類することが可能な感情推定器を生成する。より具体的には、図8に示すよな7種類の感情に分類するための識別閾値(分類器を構成する数式のパラメータ)を生成する。次に、感情推定器生成部150は、クラス2に分類された教師データ(アクセント句)を取得して、その教師データの発話時の感情状態を、7種類の感情状態である悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、に分類することが可能な2つめの感情推定器を生成する。感情推定器生成部150は、このように20種類の感情推定器を生成する。以上で、感情推定器生成装置100の感情推定器生成処理の説明を終了する。 The emotion estimator generation unit 150 generates an emotion estimator for each class based on the teacher data classified by accent type (class) (step S18). Specifically, the emotion estimator generation unit 150 acquires the teacher data (accent phrase) classified into the class 1, and sets the emotional state at the time of utterance of the teacher data as seven types of emotional states, sadness, Generates an emotion estimator that can be categorized as bored, angry, surprised, discouraged, hateful, and joyful. More specifically, an identification threshold value (parameter of a mathematical expression forming a classifier) for classifying into seven types of emotions as shown in FIG. 8 is generated. Next, the emotion estimator generation unit 150 acquires the teacher data (accent phrase) classified into the class 2 and sets the emotional state at the time of utterance of the teacher data as seven emotional states of sadness, boredom, Generate a second emotion estimator that can be classified as anger, surprise, discouragement, disgust, or joy. The emotion estimator generation unit 150 thus generates 20 types of emotion estimators. This is the end of the description of the emotion estimator generation processing of the emotion estimator generation device 100.

次に、感情推定器生成装置100が生成した20種類の感情推定器を内蔵する感情推定装置200が発話者の感情を推定する感情推定処理について、図11を参照しながら説明する。ユーザが、感情推定装置200に予めインストールされている感情推定プログラムを起動し、解析対象とする音声データを感情推定装置200に入力することにより、図11に示すフローチャートは開始される。 Next, an emotion estimation process in which the emotion estimation device 200 having 20 types of emotion estimators generated by the emotion estimator generation device 100 estimates the emotion of the speaker will be described with reference to FIG. 11. The user starts the emotion estimation program preinstalled in the emotion estimation device 200 and inputs the voice data to be analyzed into the emotion estimation device 200, whereby the flowchart shown in FIG. 11 is started.

制御部1は、感情推定プログラムが起動され、ユーザが解析対象の音声データを感情推定装置200に入力すると、話者分割部220は、取得した音声データを話者ごとに分割して記憶部2に記憶する。次に、解析区間設定部230は、話者ごとに音声データを記憶部2から取得する(ステップS31)。次に、形態素解析部231は、任意の話者の音声データを形態素に分解し(ステップS32)、アクセント句抽出部232は、解析単位であるアクセント句を決定する(ステップS33)。 The control unit 1 starts the emotion estimation program, and when the user inputs the voice data to be analyzed into the emotion estimation apparatus 200, the speaker division unit 220 divides the acquired voice data into speakers, and the storage unit 2 Remember. Next, the analysis section setting unit 230 acquires voice data from the storage unit 2 for each speaker (step S31). Next, the morpheme analysis unit 231 decomposes the voice data of an arbitrary speaker into morphemes (step S32), and the accent phrase extraction unit 232 determines an accent phrase as an analysis unit (step S33).

次に、アクセント型決定部240は、感情推定器生成装置100の動作説明と同様に、アクセント句ごとにアクセント型(クラス)を決定する。具体的には、モーラ区間抽出部241が、該当するアクセント句に含まれるモーラ区間を抽出し(ステップS34)、アクセント型抽出部242が、そのアクセント句のアクセント型を抽出する(ステップS35)。そして、アクセント型決定部240は、抽出したアクセント型からそのアクセント句が属するクラスを決定する。そして、選択部250は、該当するアクセント句を発話したときの発話者の感情を推定するために使用する感情推定器として、同じアクセント型(クラス)の教師データに基づいて感情推定器生成装置100が生成した感情推定器を選択する(ステップS36)。 Next, the accent type determination unit 240 determines the accent type (class) for each accent phrase, as in the operation description of the emotion estimator generation device 100. Specifically, the mora section extraction unit 241 extracts the mora section included in the corresponding accent phrase (step S34), and the accent type extraction unit 242 extracts the accent type of the accent phrase (step S35). Then, the accent type determination unit 240 determines the class to which the accent phrase belongs from the extracted accent type. Then, the selection unit 250 is an emotion estimator generation device 100 based on the same accent type (class) teacher data as an emotion estimator used to estimate the emotion of the speaker when the corresponding accent phrase is uttered. The emotion estimator generated by is selected (step S36).

一方、特徴量抽出部260は、解析対象のアクセント句の音声の強度、音声のピッチ、音素の継続時間長といった音声の特徴量を抽出し、抽出した特徴量と判別したクラスとを対応付けて記憶部2に記憶する(ステップS37)。 On the other hand, the feature amount extraction unit 260 extracts voice feature amounts such as the voice intensity, voice pitch, and phoneme duration of the accent phrase to be analyzed, and associates the extracted feature amount with the determined class. It is stored in the storage unit 2 (step S37).

次に、感情推定部270は、選択部250が選択した感情推定器を用いて、該当するアクセント句を発話したときの発話者の感情を推定する(ステップS38)。 Next, the emotion estimation unit 270 estimates the emotion of the speaker when the relevant accent phrase is uttered, using the emotion estimator selected by the selection unit 250 (step S38).

アクセント句の1つについて感情推定が完了すると、感情推定装置200は、まだ解析が完了していないアクセント句が存在するか否かを判別する(ステップS39)。解析が完了していないアクセント句が存在する場合(ステップS39:No)、解析が完了していない他のアクセント句を抽出し(ステップS40)、そのアクセント句に該当する感情を推定する。 When emotion estimation is completed for one of the accent phrases, the emotion estimation device 200 determines whether or not there is an accent phrase whose analysis has not been completed (step S39). If there is an accent phrase that has not been analyzed (step S39: No), another accent phrase that has not been analyzed is extracted (step S40), and the emotion corresponding to that accent phrase is estimated.

すべてのアクセント句の解析が完了している場合(ステップS39:Yes)、感情推定装置200は、解析した文単位で統合処理を行う(ステップS41)。具体的には、統合部280は、解析対象の文に含まれるアクセント句ごとの感情推定結果に基づいて、最も多かった感情をその文を発話したときの発話者の感情として推定する。 When the analysis of all accent phrases is completed (step S39: Yes), the emotion estimation device 200 performs integration processing for each analyzed sentence (step S41). Specifically, the integration unit 280 estimates the most common emotion as the emotion of the speaker when the sentence is uttered, based on the emotion estimation result for each accent phrase included in the sentence to be analyzed.

次に、感情推定装置200は、最初に取得した任意の人が発話したすべての文について解析が完了したか否かを判別する(ステップS42)。すべての文について解析が完了していない場合は(ステップS42:No)、他の文を抽出し(ステップS43)、他の文について感情推定処理を継続する。 Next, the emotion estimation device 200 determines whether or not the analysis has been completed for all the sentences that the initially acquired arbitrary person uttered (step S42). When the analysis is not completed for all the sentences (step S42: No), another sentence is extracted (step S43), and the emotion estimation process is continued for the other sentences.

一方、感情推定装置200は、すべての文について解析が完了している場合は(ステップS42:Yes)、音声データに含まれているすべての人について感情推定が完了しているか否かを判別する(ステップS44)。すべての人について解析が完了していない場合は(ステップS44:No)、他の人の音声データを抽出して感情推定処理を継続する(ステップS45)。すべての人について解析処理が完了している場合は(ステップS44:Yes)、感情推定処理を終了する。 On the other hand, if the emotion estimation apparatus 200 has completed the analysis for all the sentences (step S42: Yes), the emotion estimation apparatus 200 determines whether or not the emotion estimation has been completed for all the persons included in the voice data. (Step S44). If the analysis has not been completed for all persons (step S44: No), the voice data of other persons are extracted and the emotion estimation process is continued (step S45). If the analysis process has been completed for all persons (step S44: Yes), the emotion estimation process ends.

以上に説明したように感情推定器生成装置100は、アクセント型ごとに分類した教師データに基づいて、アクセント型ごとに感情推定器を生成する。そして、感情推定装置200は、アクセント型ごとに生成された感情推定器を使用して、発話者の感情を推定する。具体的には、感情推定装置200は、解析対象の音声データをアクセント型ごとに分類し、同じアクセント型を有する教師データに基づいて生成された感情推定器を用いて発話者の感情を推定する。これにより、音声データから発話者の感情を推定する推定精度を向上することができる。 As described above, the emotion estimator generation device 100 generates the emotion estimator for each accent type based on the teacher data classified for each accent type. Then, the emotion estimation device 200 estimates the emotion of the speaker using the emotion estimator generated for each accent type. Specifically, the emotion estimation device 200 classifies the voice data to be analyzed for each accent type, and estimates the emotion of the speaker using the emotion estimator generated based on the teacher data having the same accent type. .. This can improve the estimation accuracy for estimating the emotion of the speaker from the voice data.

また、アクセント型抽出部132は、モーラ区間の単位で音声の特徴量の変化を抽出するので、感情推定器生成装置100は、発話者の感情をより細かく解析することが可能な感情推定器を生成することができる。 Further, since the accent type extraction unit 132 extracts the change in the feature amount of the voice in the unit of the mora section, the emotion estimator generation device 100 uses the emotion estimator that can analyze the emotion of the speaker more finely. Can be generated.

また、アクセント型抽出部132は、音声の基本周波数の変化に基づいてアクセント型を抽出する。発話時の感情状態により音声の基本周波数は変化する傾向がある。したがって、感情推定器生成装置100は、発話者の感情をより正確に推定することが可能な感情推定器を生成することができる。また、同じ理由により、感情推定装置200は、発話者の感情をより正確に推定することができる。 The accent type extraction unit 132 also extracts an accent type based on a change in the fundamental frequency of the voice. The fundamental frequency of voice tends to change depending on the emotional state at the time of utterance. Therefore, the emotion estimator generation device 100 can generate an emotion estimator that can more accurately estimate the emotion of the speaker. Further, for the same reason, the emotion estimation device 200 can estimate the emotion of the speaker more accurately.

解析区間設定手段120は、形態素の単位で音声を解析するので、感情推定器生成装置100は、発話者の感情をより正確に解析することが可能な感情推定器を生成することができる。 Since the analysis interval setting unit 120 analyzes the voice in units of morphemes, the emotion estimator generation device 100 can generate an emotion estimator that can analyze the emotion of the speaker more accurately.

感情推定器生成装置100は、発話者の発話時の感情を、悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、に分類する感情推定器を生成する。この推定器を内蔵する感情推定装置200は、発話者の発話時の感情状態を、悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、に分類することができる。 The emotion estimator generation device 100 generates an emotion estimator that classifies emotions of a speaker during utterance into sadness, boredom, anger, surprise, discouragement, disgust, and joy. The emotion estimation device 200 incorporating this estimator can classify the emotional state of the speaker at the time of utterance into sadness, boredom, anger, surprise, discouragement, disgust, and joy.

(変形例1)
実施形態1では、アクセント型を判別するために特徴量をモーラ区間の単位で解析する説明をした。変形例1では、モーラ区間の中の母音区間に限定して特徴量を解析する説明を行う。具体的には、図12に示すように、母音区間のみの音声データを取り出して、図13に示すように特徴量の解析を行う。基本周波数の解析方法は実施形態1の説明と同じである。
(Modification 1)
In the first embodiment, the feature amount is analyzed in units of mora sections in order to determine the accent type. In the first modified example, the feature amount is analyzed only in the vowel section in the mora section. Specifically, as shown in FIG. 12, the voice data of only the vowel section is extracted and the characteristic amount is analyzed as shown in FIG. The method of analyzing the fundamental frequency is the same as that described in the first embodiment.

母音区間にのみ着目する理由は、子音区間よりも母音区間の方が音素の継続時間長が長く、含まれる音声のエネルギーも大きいので、感情の変化による特徴量の変化は、子音区間よりも母音区間の方に顕著に現れるからである。 The reason for focusing only on the vowel section is that the vowel section has a longer phoneme duration than the consonant section, and the energy of the included speech is also larger. This is because it appears significantly in the section.

このように、変形例1に係る感情推定装置200は、母音区間に限定して特徴量の解析を行うことにより、感情推定の推定精度を向上することができる。 As described above, the emotion estimation device 200 according to the first modification can improve the estimation accuracy of emotion estimation by analyzing the feature amount only in the vowel section.

(変形例2)
実施形態1の説明では、アクセント型抽出部132が、音声の特徴量として音声のピッチ情報(音声の基本周波数)を利用する場合について説明した。変形例2では、音声の特徴量として音声の強度情報を利用する場合について説明する。ここでは、発話時の感情状態によって母音の発話区間における音声のエネルギー分布が変化することに着目した技術について説明する。
(Modification 2)
In the description of the first embodiment, the case where the accent type extraction unit 132 uses the pitch information of the voice (fundamental frequency of the voice) as the feature amount of the voice has been described. In the second modification, a case will be described where voice intensity information is used as a voice feature amount. Here, a technique focusing on the fact that the energy distribution of the voice in the utterance section of the vowel changes depending on the emotional state at the time of utterance will be described.

具体的には、アクセント型抽出部132は、図14に点線の丸印で示した音声のエネルギーのピークが、母音区間の前半に存在するか後半に存在するかを判別する。例えば、前半にピークが存在した場合には「H」を付与し、後半にピークが存在した場合には「L」を付与する。これにより、アクセント型決定部130は、アクセント型を決定する。音声の強度によりアクセント型を分類する場合は、実験データに基づいてクラス分けの仕方を検討する必要がある。その他の説明は実施形態1の説明と同じである。 Specifically, the accent type extraction unit 132 determines whether the energy peak of the voice indicated by a dotted circle in FIG. 14 exists in the first half or the second half of the vowel section. For example, "H" is given when the peak exists in the first half, and "L" is given when the peak exists in the latter half. Thereby, the accent type determination unit 130 determines the accent type. When categorizing accent types according to the strength of voice, it is necessary to examine the classification method based on experimental data. The other description is the same as that of the first embodiment.

なお、変形例2の説明では、音声エネルギーのピーク点の時間位置の変化に着目する解析方法を説明したが、音声の強度の変化を用いてアクセント型を抽出することもできる。怒った状態で発話すると音声の強度は高くなる傾向があり、悲しい状態で発話すると音声の強度は低くなる傾向があるので、この傾向を利用するものである。この場合、例えば、アクセント句区間に含まれるモーラ区間ごとの音声のピーク強度を計測して、アクセント句区間の平均ピーク強度を求める。そして、モーラ区間の音声のピーク強度と平均ピーク強度とを比較して、モーラ区間ごとに「H」又は「L」を付与することにより、アクセント型を抽出することもできる。 In the description of the second modification, the analysis method focusing on the change in the time position of the peak point of the voice energy has been described, but the accent type can also be extracted by using the change in the voice intensity. This tendency is used because the speech intensity tends to be high when speaking in an angry state and tends to be low when speaking in a sad state. In this case, for example, the peak intensity of the voice for each mora section included in the accent phrase section is measured to obtain the average peak strength of the accent phrase section. Then, the accent type can be extracted by comparing the peak intensity and the average peak intensity of the sound in the mora section and adding "H" or "L" to each mora section.

このように、変形例2に係る感情推定装置200は、音声の発話時の感情状態を音声の強度の変化情報を利用して解析するので、感情推定の推定精度を向上することができる。 As described above, the emotion estimation device 200 according to the second modification analyzes the emotional state of the voice when the voice is uttered, using the change information of the intensity of the voice, so that the estimation accuracy of the emotion estimation can be improved.

(変形例3)
変形例3では、音声の特徴量として音素の継続時間長を利用する場合について説明する。怒ったり喜んだりした状態で発話すると音素の継続時間長は短くなる傾向があり、退屈な状態や悲しい状態で発話すると音素の継続時間長が長くなる傾向があるので、この傾向を利用するものである。
(Modification 3)
In the third modification, a case will be described where the phoneme duration is used as the feature amount of the voice. If you speak in an angry or pleased state, phoneme duration tends to be short, and if you speak in a boring or sad state, phoneme duration tends to be long. is there.

具体的には、アクセント型抽出部132は、モーラ区間に含まれる母音の継続時間長と、教師データに含まれる同じ母音の平均継続時間長とを比較し、モーラ区間に含まれる母音の継続時間長が平均継続時間長よりも長い場合は「H」を、短い場合は「L]を付与する。これにより、アクセント型決定部130は、アクセント型を決定する。 Specifically, the accent type extraction unit 132 compares the duration of the vowel included in the mora section with the average duration of the same vowel included in the teacher data, and the duration of the vowel included in the mora section. If the length is longer than the average duration time, “H” is given, and if the length is shorter, “L” is given, whereby the accent type determination unit 130 determines the accent type.

実施形態1、変形例1、変形例2の説明では、解析区間であるアクセント句の区間における音声の特徴量の平均値とモーラ区間の平均値とを比較した。しかし、音素の継続時間長で比較する場合、感情推定器生成装置100のアクセント型抽出部132は、平均継続時間長を解析区間内の音声データの平均ではなく、教師データ全体の平均継続時間長と比較する。母音によって継続時間長は異なるので、異なる母音の継続時間長と比較することはできない。アクセント句に含まれる同じ母音の数が少ないため、平均継続時間長のバラツキが大きくなり、誤判定の要因となるので、教師データ全体の平均をとることが好ましい。 In the description of the first embodiment, the first modified example, and the second modified example, the average value of the feature amount of the voice in the accent phrase section that is the analysis section and the average value of the mora section are compared. However, when comparing phoneme durations, the accent type extraction unit 132 of the emotion estimator generation apparatus 100 determines that the average duration is not the average of the speech data in the analysis section, but the average duration of the entire teacher data. Compare with. Since vowels have different durations, they cannot be compared with different vowel durations. Since the number of the same vowels included in the accent phrase is small, the variation in the average duration time becomes large, which causes an erroneous determination. Therefore, it is preferable to average the entire teacher data.

一方、感情推定装置200のアクセント型抽出部242は、話者分類部220が分類した話者ごとの音声データについて、母音ごとに平均継続時間長を計算することが好ましい。 On the other hand, it is preferable that the accent type extraction unit 242 of the emotion estimation device 200 calculates the average duration time for each vowel of the voice data for each speaker classified by the speaker classification unit 220.

音素の継続時間長によりアクセント型を分類する場合は、実験データに基づいてクラス分けの仕方を検討する必要がある。その他の説明は実施形態1の説明と同じである。 When categorizing accent types by phoneme duration, it is necessary to examine the classification method based on experimental data. The other description is the same as that of the first embodiment.

このように、変形例3に係る感情推定装置200は、音声の発話時の感情状態を音素の発話時間長の変化情報を利用して解析するので、感情推定の推定精度を向上することができる。 As described above, the emotion estimation apparatus 200 according to the third modification analyzes the emotional state at the time of utterance of voice by using the change information of the utterance time length of the phoneme, so that the estimation accuracy of the emotion estimation can be improved. ..

(変形例4)
実施形態1と変形例1では、音声の特徴量として音声のピッチ情報を利用してアクセント型を抽出する技術の説明をした。また、変形例2では、音声の強度情報を利用してアクセント型を抽出する技術を紹介し、変形例3では、音素の継続時間長を利用してアクセント型を抽出する技術を紹介した。アクセント型を抽出する場合、これらの技術を単独で使用することもできるが、音声のピッチ情報と音声の強度情報のように2つ以上の技術を組み合わせてアクセント型を抽出することもできる。2つ以上の情報を組み合わせるとアクセント型の種類が増えることになるが、感情推定の精度を向上させることができる。
(Modification 4)
In the first embodiment and the modified example 1, the technique of extracting the accent type by using the pitch information of the voice as the feature amount of the voice has been described. In addition, in the second modification, a technique for extracting the accent type by using the strength information of the voice is introduced, and in the third modification, a technique for extracting the accent type by using the phoneme duration is introduced. When extracting the accent type, these techniques can be used alone, but the accent type can also be extracted by combining two or more techniques such as voice pitch information and voice intensity information. The combination of two or more pieces of information increases the types of accent types, but the accuracy of emotion estimation can be improved.

なお、上記の説明では、音声の特徴量として、音声の強度、音声のピッチ、音素の継続時間長を例にして説明したが、これに限定する必要はない。例えば、音声の強度の変化量、音声のピッチの変化量、音素の継続時間長の変化量等を抽出してアクセント型を決定することもできる。 In the above description, the strength of the voice, the pitch of the voice, and the duration of the phoneme are described as an example of the feature amount of the voice, but the feature amount is not limited thereto. For example, the accent type can be determined by extracting the amount of change in voice intensity, the amount of change in voice pitch, the amount of change in phoneme duration, and the like.

(変形例5)
実施形態1の説明では、解析対象の文に含まれるアクセント句ごとの感情推定結果に基づいて、最も多かった感情をその文を発話したときの発話者の感情として推定する技術について説明を行った。しかし、統合処理の仕方はこれに限定する必要は無い。例えば、「少し驚きを伴った喜び」のように、複数の感情を含む推定を行うこともできる。感情推定器を構成する分類器では、特徴量をベクトルとして取得し、そのベクトルと識別閾値との距離に基づいて、いずれの感情に分類するかを決める場合が多い。例えば、「坊主が」、「屏風に」、「上手に」、「坊主の」、「絵を」、「描いた」の7つのアクセント句に対応する特徴量を、図15に示す1から7に示す位置ベクトルで表し、7つの位置ベクトルを合成した平均ベクトルが、図15に「平均」で示した位置ベクトルであったとする。この場合、位置ベクトル「平均」は、喜びの領域に属しているが、喜びと驚きの境界に近い位置に存在する。このような場合には、「少し驚きの感情が混在している可能性がある」というニュアンスを含めた感情推定結果を出力するようにしてもよい。
(Modification 5)
In the description of the first embodiment, based on the emotion estimation result for each accent phrase included in the analysis target sentence, a technique for estimating the most common emotion as the emotion of the speaker when the sentence is uttered has been described. .. However, the method of integration processing need not be limited to this. For example, it is possible to perform estimation including a plurality of emotions such as “joy with a little surprise”. In many cases, the classifier configuring the emotion estimator acquires the feature amount as a vector and determines which emotion to classify based on the distance between the vector and the identification threshold. For example, the feature quantities corresponding to seven accent phrases “Bou ga ga”, “Bibu ni ni”, “I am good at”, “Bozu no”, “Picture”, and “I drew” 1 to 7 shown in FIG. It is assumed that the average vector obtained by combining the seven position vectors is the position vector indicated by "average" in FIG. In this case, the position vector "average" belongs to the area of joy, but exists near the boundary between joy and surprise. In such a case, an emotion estimation result including a nuance that “a little surprised emotions may be mixed” may be output.

図8と図15とは、7次元の識別空間を2次元でイメージ表現した図であるので、複雑な例を表現することは困難である。しかし、感情推定器を構成する分類器の中では、それぞれの識別境界との距離を数値で計算することが可能である。したがって、「怒りと悲しみ」、「怒りと落胆」のように、複数の感情の組み合わせと、その感情の度合い(識別境界との距離)を数値計算することが可能である。さらに、複数の閾値を設定することにより、「怒り、悲しみ、落胆」のように2つ以上の感情を含めた感情推定も可能である。また、複数の感情の複合度合いも推定することができる。 Since FIGS. 8 and 15 are two-dimensional image representations of a seven-dimensional identification space, it is difficult to represent a complicated example. However, it is possible to numerically calculate the distances from the respective discrimination boundaries in the classifier that constitutes the emotion estimator. Therefore, it is possible to numerically calculate a combination of a plurality of emotions such as “anger and sadness” and “anger and discouragement” and the degree of the emotion (distance from the discrimination boundary). Furthermore, by setting a plurality of thresholds, it is possible to estimate emotions including two or more emotions such as “anger, sadness, discouragement”. Moreover, the composite degree of a plurality of emotions can also be estimated.

変形例5で説明した構成および処理を設けることにより、感情推定器生成装置100は、複数の感情の度合いを推定可能な感情推定器を生成することが可能となる。また、複数の感情の度合いを推定可能な感情推定器を内蔵する感情推定装置200は、発話者の複数の感情度合いを推定することができる。 By providing the configuration and processing described in the modification 5, the emotion estimator generation device 100 can generate an emotion estimator capable of estimating the degrees of a plurality of emotions. In addition, the emotion estimation device 200 having an emotion estimator capable of estimating a plurality of emotion levels can estimate a plurality of emotion levels of the speaker.

なお、実施形態1の説明では、発話者の感情状態を悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、の7種類に分類する説明をしたが、感情の分類方法はこれに限定する必要はない。例えば、喜、怒、哀、楽の4種類に分類してもよい。 In the description of the first embodiment, the emotional state of the speaker is classified into seven types of sadness, boredom, anger, surprise, discouragement, disgust, and joy. However, the emotion classification method needs to be limited to this. There is no. For example, it may be classified into four types: happiness, anger, sadness, and comfort.

また、実施形態1の説明では、発話者の発話時の感情状態を、悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、の7つの感情状態の何れかに分類する場合について説明し、いずれにも該当しない教師データは除外する説明をした。しかし、発話者の感情として、「普通」という感情状態を設け、7つの感情に分類できなかった教師データを感情「普通」に分類するようにしてもよい。これにより、感情推定器生成装置100は、発話者の感情を7つの感情に「普通」を加えた8つの感情に推定可能な感情推定器を生成することができる。また、感情推定装置200は、発話者の感情を7つの感情に「普通」を加えた8つの感情に推定することができる。 In addition, in the description of the first embodiment, a case where the emotional state of the speaker at the time of utterance is classified into any of seven emotional states of sadness, boredom, anger, surprise, discouragement, disgust, and joy will be described. I explained that teacher data that does not correspond to this is excluded. However, the emotional state of “normal” may be provided as the emotion of the speaker, and the teacher data that could not be classified into seven emotions may be classified into the emotion “normal”. Thereby, the emotion estimator generation device 100 can generate the emotion estimator capable of estimating the emotion of the speaker into eight emotions obtained by adding “ordinary” to the seven emotions. Further, the emotion estimation device 200 can estimate the emotion of the speaker into eight emotions obtained by adding “ordinary” to the seven emotions.

また、実施形態1の説明では、解析区間をアクセント句の区間単位とする説明をしたが、解析区間はこれに限定する必要はない。例えば、解析区間を単語の発話区間としてもよいし、息継ぎ区間である呼気段落区間としてもよいし、文の発話区間としてもよい。解析区間を文の発話区間とした場合には、統合部280は、文単位で発話者の感情を推定してもよいし、さらに複数の文をまとめた単位で発話者の感情を推定するようにしてもよい。 In the description of the first embodiment, the analysis section is described as the section unit of the accent phrase, but the analysis section need not be limited to this. For example, the analysis section may be a word utterance section, a breath paragraph section that is a breathing section, or a sentence utterance section. When the analysis section is the utterance section of a sentence, the integration unit 280 may estimate the emotion of the speaker in sentence units, or may further estimate the emotion of the speaker in a unit of a plurality of sentences. You may

また、式1の説明では、平均値を用いてその区間の特徴量を代表する処理について説明したが、平均値の代わりに中央値を用いて処理を行ってもよい。また、最も低い周波数を代表値として処理を行うようにしてもよい。 Further, in the description of Expression 1, the process of representing the feature amount of the section by using the average value has been described, but the process may be performed by using the median value instead of the average value. Further, the lowest frequency may be used as the representative value for the processing.

また、式2の説明では、中央値を用いてその区間の特徴量を代表する処理について説明したが、中央値の代わりに平均値を用いて処理を行ってもよい。 Further, in the description of the equation 2, the processing in which the median value is used to represent the feature amount of the section has been described, but the processing may be performed using the average value instead of the median value.

また、本発明に係る機能を実現するための構成を予め備えた感情推定器生成装置100、感情推定装置200として提供できることはもとより、プログラムの適用により、既存のパーソナルコンピュータや情報端末機器等を、本発明に係る感情推定器生成装置100、感情推定装置200として機能させることもできる。すなわち、上記実施形態で例示した感情推定器生成装置100、感情推定装置200による各機能構成を実現させるためのプログラムを、既存のパーソナルコンピュータや情報端末機器等を制御するCPU等が実行できるように適用することで、本発明に係る感情推定器生成装置100、感情推定装置200として機能させることができる。また、本発明に係る感情推定器生成方法及び感情推定方法は、感情推定器生成装置100、感情推定装置200を用いて実施できる。 Further, it is possible to provide the emotion estimator generation device 100 and the emotion estimation device 200 that are provided with the configuration for realizing the functions according to the present invention in advance, and by applying the program, existing personal computers, information terminal devices, etc. The emotion estimator generation device 100 and the emotion estimation device 200 according to the present invention can also be caused to function. That is, a program for realizing the functional configurations of the emotion estimator generation device 100 and the emotion estimation device 200 exemplified in the above-described embodiments can be executed by a CPU or the like that controls an existing personal computer, information terminal device, or the like. When applied, it can function as the emotion estimator generation device 100 and the emotion estimation device 200 according to the present invention. The emotion estimator generation method and the emotion estimation method according to the present invention can be implemented using the emotion estimator generation device 100 and the emotion estimation device 200.

また、このようなプログラムの適用方法は任意である。プログラムを、例えば、コンピュータが読取可能な記録媒体(CD−ROM(Compact Disc Read-Only Memory)、DVD(Digital Versatile Disc)、MO(Magneto Optical disc)等)に格納して適用できる他、インターネット等のネットワーク上のストレージにプログラムを格納しておき、これをダウンロードさせることにより適用することもできる。 Moreover, the application method of such a program is arbitrary. For example, the program can be stored in a computer-readable recording medium (CD-ROM (Compact Disc Read-Only Memory), DVD (Digital Versatile Disc), MO (Magneto Optical disc), etc.), and the like, and can also be applied to the Internet, etc. The program can also be applied by storing the program in a storage on the network and downloading the program.

以上、本発明の好ましい実施形態について説明したが、本発明は係る特定の実施形態に限定されるものではなく、本発明には、特許請求の範囲に記載された発明とその均等の範囲が含まれる。以下に、本願出願の当初の特許請求の範囲に記載された発明を付記する。 Although the preferred embodiments of the present invention have been described above, the present invention is not limited to the specific embodiments, and the present invention includes the inventions described in the claims and their equivalents. Be done. The inventions described in the initial claims of the present application will be additionally described below.

(付記1)
教師データの元となる音声データの特徴量を解析する解析区間を設定する解析区間設定ステップと、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数のクラスに分類された変化パターンに基づいて、前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定ステップと、
前記特徴量の変化パターンごとに分類された音声データを教師データとして、前記特徴量の変化パターンごとに、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成ステップと、
を含む感情推定器生成方法。
(Appendix 1)
An analysis interval setting step of setting an analysis interval for analyzing the feature amount of the voice data which is the source of the teacher data,
A change pattern determination for determining a pattern in which the feature amount of the voice data included in the analysis section changes, as a change pattern in the feature amount of the voice data included in the analysis section, based on the change patterns classified into a plurality of classes. Steps,
Emotion estimator generation that generates an emotion estimator that estimates the emotion of the speaker when the voice is uttered for each of the feature amount change patterns, using the voice data classified for each of the feature amount change patterns as teacher data. Steps,
Emotion estimator generation method including.

(付記2)
前記変化パターン決定ステップは、
前記解析区間に含まれる音声データを、音節の単位であるモーラ区間に分割するモーラ区間抽出ステップと、
前記解析区間における音声データの特徴量の平均値と、前記モーラ区間における音声データの特徴量の平均値と、をモーラ区間ごとに比較した比較結果に基づいて、前記解析区間の音声データを発話したときのモーラ区間ごとに変化する音声の特徴量の変化パターンを抽出する変化パターン抽出ステップと、
を含むことを特徴とする付記1に記載の感情推定器生成方法。
(Appendix 2)
The change pattern determination step,
A mora section extracting step of dividing the voice data included in the analysis section into mora sections that are syllable units;
Based on the comparison result of comparing the average value of the feature amount of the voice data in the analysis section and the average value of the feature amount of the voice data in the mora section for each mora section, the voice data of the analysis section is uttered. Change pattern extraction step of extracting a change pattern of the feature amount of the voice that changes for each mora section at the time,
The emotion estimator generation method according to appendix 1, further comprising:

(付記3)
前記変化パターン抽出ステップでは、音声の特徴量として音声データから抽出した音声の基本周波数を用い、前記解析区間における音声の平均基本周波数と、前記モーラ区間における音声の平均基本周波数と、をモーラ区間ごとに比較し、モーラ区間の音声の平均基本周波数が解析区間の音声の平均基本周波数よりも高い場合にはHighを、低い場合にはLowを付与し、モーラ区間ごとにHighとLowに変化する音声の特徴量の変化パターンを抽出する、
ことを特徴とする付記2に記載の感情推定器生成方法。
(Appendix 3)
In the change pattern extracting step, the fundamental frequency of the voice extracted from the voice data is used as the feature amount of the voice, and the average fundamental frequency of the voice in the analysis section and the average fundamental frequency of the voice in the mora section are set for each mora section. In comparison with the above, when the average fundamental frequency of the sound in the mora section is higher than the average fundamental frequency of the sound in the analysis section, High is given, and when it is lower, Low is given, and the sound changes to High and Low for each mora section. The change pattern of the feature amount of
The emotion estimator generation method according to appendix 2, characterized in that.

(付記4)
前記変化パターン抽出ステップでは、音声の特徴量として音声データから抽出した音声の強度を用い、前記解析区間における音声の平均強度と、前記モーラ区間における音声の平均強度と、をモーラ区間ごとに比較し、モーラ区間の音声の平均強度が解析区間の音声の平均強度よりも高い場合にはHighを、低い場合にはLowを付与し、モーラ区間ごとにHighとLowに変化する音声の特徴量の変化パターンを抽出する、
ことを特徴とする付記2に記載の感情推定器生成方法。
(Appendix 4)
In the change pattern extraction step, the strength of the voice extracted from the voice data is used as the feature quantity of the voice, and the average strength of the voice in the analysis section and the average strength of the voice in the mora section are compared for each mora section. , If the average strength of the sound in the mora section is higher than the average strength of the sound in the analysis section, High is given, and if it is low, Low is given, and the change in the feature amount of the sound changing to High and Low for each mora section. Extract patterns,
The emotion estimator generation method according to appendix 2, characterized in that.

(付記5)
前記変化パターン抽出ステップでは、音声の特徴量として音声データから抽出した音素の継続時間長を用い、前記解析区間における音素の平均継続時間長と、前記モーラ区間における音素の平均継続時間長と、をモーラ区間ごとに比較し、モーラ区間の音素の平均継続時間長が解析区間の音素の平均継続時間長よりも長い場合にはHighを、短い場合にはLowを付与し、モーラ区間ごとにHighとLowに変化する音声の特徴量の変化パターンを抽出する、
ことを特徴とする付記2に記載の感情推定器生成方法。
(Appendix 5)
In the change pattern extraction step, using the phoneme duration extracted from the voice data as a voice feature amount, the average duration of the phoneme in the analysis section, and the average duration of the phoneme in the mora section, Comparison is made for each mora section. When the average duration of the phonemes in the mora section is longer than the average duration of the phonemes in the analysis section, High is given, and when the average duration is short, Low is given. A change pattern of the feature amount of the voice that changes to Low is extracted,
The emotion estimator generation method according to appendix 2, characterized in that.

(付記6)
前記変化パターン抽出ステップでは、音声の特徴量として、音声の基本周波数、音声の強度、音素の継続時間長の少なくとも何れか1つを使用して音声の特徴量の変化パターンを抽出する、
ことを特徴とする付記2から5の何れか一つに記載の感情推定器生成方法。
(Appendix 6)
In the change pattern extraction step, a change pattern of the voice feature amount is extracted by using at least one of the fundamental frequency of the voice, the voice intensity, and the duration of the phoneme as the voice feature amount.
The emotion estimator generation method according to any one of appendices 2 to 5, characterized in that

(付記7)
前記解析区間設定ステップでは、音声データを、言語の意味を持つ最小の単位である形態素に分割し、当該形態素の後で発話された助詞又は助動詞と結合したアクセント句の区間を前記解析区間として設定する、
ことを特徴とする付記1から6の何れか一つに記載の感情推定器生成方法。
(Appendix 7)
In the analysis section setting step, the speech data is divided into morphemes, which are the smallest units having a language meaning, and a section of an accent phrase combined with a particle or auxiliary verb uttered after the morpheme is set as the analysis section. To do
7. The emotion estimator generation method according to any one of appendices 1 to 6, characterized in that.

(付記8)
前記モーラ区間抽出ステップでは、音声データをテキスト表示した場合に、仮名文字1文字を1モーラ区間とし、小書きの仮名文字はその前の仮名文字と一緒にして1モーラ区間とし、長音は独立して1モーラ区間とする、
ことを特徴とする付記2に記載の感情推定器生成方法。
(Appendix 8)
In the mora section extraction step, when the voice data is displayed in text, one kana character is set as one mora section, the small kana character is combined with the preceding kana character as one mora section, and the long sound is independent. 1 mora section,
The emotion estimator generation method according to appendix 2, characterized in that.

(付記9)
前記感情推定器は、発話者の発話時の感情を、悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、の何れかの感情であると推定する、
ことを特徴とする付記1から8の何れか一つに記載の感情推定器生成方法。
(Appendix 9)
The emotion estimator estimates the emotion of the speaker at the time of utterance to be any one of sadness, boredom, anger, surprise, discouragement, disgust, and joy.
The emotion estimator generation method according to any one of appendices 1 to 8, characterized in that.

(付記10)
前記複数のクラスに分類された変化パターンを設定する変化パターン設定ステップを含む、
ことを特徴とする付記1から9の何れか一つに記載の感情推定器生成方法。
(Appendix 10)
A change pattern setting step of setting change patterns classified into the plurality of classes,
10. The emotion estimator generation method described in any one of appendices 1 to 9, characterized in that.

(付記11)
教師データの元となる音声データの特徴量を解析する解析区間を設定する解析区間設定手段と、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数のクラスに分類された変化パターンに基づいて、前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段と、
前記特徴量の変化パターンごとに分類された音声データを教師データとして、前記特徴量の変化パターンごとに、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成手段と、
を含む感情推定器生成装置。
(Appendix 11)
Analysis section setting means for setting an analysis section for analyzing the feature amount of the voice data which is the source of the teacher data,
A change pattern determination for determining a pattern in which the feature amount of the voice data included in the analysis section changes, as a change pattern in the feature amount of the voice data included in the analysis section, based on the change patterns classified into a plurality of classes. Means and
Emotion estimator generation that generates an emotion estimator that estimates the emotion of the speaker when the voice is uttered for each of the feature amount change patterns, using the voice data classified for each of the feature amount change patterns as teacher data. Means and
Emotion estimator generation device including.

(付記12)
コンピュータを
教師データの元となる音声データの特徴量を解析する解析区間を設定する解析区間設定手段、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数のクラスに分類された変化パターンに基づいて、前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段、
前記特徴量の変化パターンごとに分類された音声データを教師データとして、前記特徴量の変化パターンごとに、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成手段、
として機能させるためのプログラム。
(Appendix 12)
Analysis section setting means for setting an analysis section for analyzing a feature amount of voice data which is a source of teacher data by a computer;
A change pattern determination for determining a pattern in which the feature amount of the voice data included in the analysis section changes, as a change pattern in the feature amount of the voice data included in the analysis section, based on the change patterns classified into a plurality of classes. means,
Emotion estimator generation that generates an emotion estimator that estimates the emotion of the speaker when the voice is uttered for each of the feature amount change patterns, using the voice data classified for each of the feature amount change patterns as teacher data. means,
Program to function as.

(付記13)
解析対象とする音声データの特徴量を解析する解析区間を設定する解析区間設定ステップと、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数のクラスに分類された変化パターンに基づいて、前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定ステップと、
前記特徴量の変化パターンごとに、同じ特徴量の変化パターンを有する教師データに基づいて生成された感情推定器を用いて、前記解析区間の音声を発話した時の発話者の感情を推定する感情推定ステップと、
を含む感情推定方法。
(Appendix 13)
An analysis section setting step for setting an analysis section for analyzing the feature amount of the voice data to be analyzed,
A change pattern determination for determining a pattern in which the feature amount of the voice data included in the analysis section changes, as a change pattern in the feature amount of the voice data included in the analysis section, based on the change patterns classified into a plurality of classes. Steps,
Emotion for estimating the emotion of the speaker when the voice of the analysis section is uttered, using the emotion estimator generated for each change pattern of the feature amount based on the teacher data having the same change pattern of the feature amount An estimation step,
Emotion estimation method including.

(付記14)
解析対象とする音声データの特徴量を解析する解析区間を設定する解析区間設定手段と、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数のクラスに分類された変化パターンに基づいて、前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段と、
前記特徴量の変化パターンごとに、同じ特徴量の変化パターンを有する教師データに基づいて生成された感情推定器を用いて、前記解析区間の音声を発話した時の発話者の感情を推定する感情推定手段と、
を備えた感情推定装置。
(Appendix 14)
Analysis section setting means for setting an analysis section for analyzing the feature amount of the voice data to be analyzed,
A change pattern determination for determining a pattern in which the feature amount of the voice data included in the analysis section changes, as a change pattern in the feature amount of the voice data included in the analysis section, based on the change patterns classified into a plurality of classes. Means and
Emotion for estimating the emotion of the speaker when the voice of the analysis section is uttered, using the emotion estimator generated for each change pattern of the feature amount based on the teacher data having the same change pattern of the feature amount Estimation means,
Emotion estimation device equipped with.

1…制御部、2…記憶部、3…入出力部、4…バス、100…感情推定器生成装置、110、210…音声データ取得部、120、230…解析区間設定部、121、231…形態素解析部、122、232…アクセント句抽出部、130、240…アクセント型決定部、131、241…モーラ区間抽出部、132、242…アクセント型抽出部、140、260…特徴量抽出部、150…感情推定器生成部、200…感情推定装置、220…話者分割部、250…選択部、270…感情推定部、280…統合部 1... Control unit, 2... Storage unit, 3... Input/output unit, 4... Bus, 100... Emotion estimator generation device, 110, 210... Voice data acquisition unit, 120, 230... Analysis section setting unit, 121, 231,... Morphological analysis unit, 122, 232... Accent phrase extraction unit, 130, 240... Accent type determination unit, 131, 241, Mora section extraction unit, 132, 242... Accent type extraction unit, 140, 260... Feature amount extraction unit, 150 ... emotion estimation device generation unit, 200... emotion estimation device, 220... speaker division unit, 250... selection unit, 270... emotion estimation unit, 280... integration unit

Claims (14)

教師データの元となる複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定ステップと、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定ステップと、
前記感情ごとに対応する前記特徴量の変化パターンごとに分類された音声データを教師データとして、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成ステップと、
を含む感情推定器生成方法。
An analysis interval setting step of setting an analysis interval for analyzing a feature amount of voice data including a plurality of emotional states which is a source of teacher data,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion A change pattern determination step of determining a change pattern of the feature amount,
Audio data classified for each change pattern of the feature quantity corresponding to each of the emotion as teacher data, and emotion estimator generation step of generating an emotion estimator for estimating a speaker emotion when the uttered voice ,
Emotion estimator generation method including.
前記変化パターン決定ステップは、
前記解析区間に含まれる音声データを、音節の単位であるモーラ区間に分割するモーラ区間抽出ステップと、
前記解析区間における音声データの特徴量の平均値と、前記モーラ区間における音声データの特徴量の平均値と、をモーラ区間ごとに比較した比較結果に基づいて、前記解析区間の音声データを発話したときのモーラ区間ごとに変化する音声の特徴量の変化パターンを抽出する変化パターン抽出ステップと、
を含むことを特徴とする請求項1に記載の感情推定器生成方法。
The change pattern determination step,
A mora section extracting step of dividing the voice data included in the analysis section into mora sections that are syllable units;
Based on the comparison result of comparing the average value of the feature amount of the voice data in the analysis section and the average value of the feature amount of the voice data in the mora section for each mora section, the voice data of the analysis section is uttered. Change pattern extraction step of extracting a change pattern of the feature amount of the voice that changes for each mora section at the time,
The emotion estimator generation method according to claim 1, further comprising:
前記変化パターン抽出ステップでは、音声の特徴量として音声データから抽出した音声の基本周波数を用い、前記解析区間における音声の平均基本周波数と、前記モーラ区間における音声の平均基本周波数と、をモーラ区間ごとに比較し、モーラ区間の音声の平均基本周波数が解析区間の音声の平均基本周波数よりも高い場合にはHighを、低い場合にはLowを付与し、モーラ区間ごとにHighとLowに変化する音声の特徴量の変化パターンを抽出する、
ことを特徴とする請求項2に記載の感情推定器生成方法。
In the change pattern extracting step, the fundamental frequency of the voice extracted from the voice data is used as the feature amount of the voice, and the average fundamental frequency of the voice in the analysis section and the average fundamental frequency of the voice in the mora section are set for each mora section. In comparison with the above, when the average fundamental frequency of the sound in the mora section is higher than the average fundamental frequency of the sound in the analysis section, High is given, and when it is lower, Low is given, and the sound changes to High and Low for each mora section. The change pattern of the feature amount of
The emotion estimator generation method according to claim 2, wherein.
前記変化パターン抽出ステップでは、音声の特徴量として音声データから抽出した音声の強度を用い、前記解析区間における音声の平均強度と、前記モーラ区間における音声の平均強度と、をモーラ区間ごとに比較し、モーラ区間の音声の平均強度が解析区間の音声の平均強度よりも高い場合にはHighを、低い場合にはLowを付与し、モーラ区間ごとにHighとLowに変化する音声の特徴量の変化パターンを抽出する、
ことを特徴とする請求項2に記載の感情推定器生成方法。
In the change pattern extraction step, the strength of the voice extracted from the voice data is used as the feature quantity of the voice, and the average strength of the voice in the analysis section and the average strength of the voice in the mora section are compared for each mora section. , If the average strength of the sound in the mora section is higher than the average strength of the sound in the analysis section, High is given, and if it is low, Low is given, and the change in the feature amount of the sound changing to High and Low for each mora section. Extract patterns,
The emotion estimator generation method according to claim 2, wherein.
前記変化パターン抽出ステップでは、音声の特徴量として音声データから抽出した音素の継続時間長を用い、前記解析区間における音素の平均継続時間長と、前記モーラ区間における音素の平均継続時間長と、をモーラ区間ごとに比較し、モーラ区間の音素の平均継続時間長が解析区間の音素の平均継続時間長よりも長い場合にはHighを、短い場合にはLowを付与し、モーラ区間ごとにHighとLowに変化する音声の特徴量の変化パターンを抽出する、
ことを特徴とする請求項2に記載の感情推定器生成方法。
In the change pattern extraction step, using the phoneme duration extracted from the voice data as a voice feature amount, the average duration of the phoneme in the analysis section, and the average duration of the phoneme in the mora section, Comparison is made for each mora section. If the average duration of the phonemes in the mora section is longer than the average duration of the phonemes in the analysis section, then High is given, and if it is short, Low is given. A change pattern of the feature amount of the voice that changes to Low is extracted,
The emotion estimator generation method according to claim 2, wherein.
前記変化パターン抽出ステップでは、音声の特徴量として、音声の基本周波数、音声の強度、音素の継続時間長の少なくとも何れか1つを使用して音声の特徴量の変化パターンを抽出する、
ことを特徴とする請求項2から5の何れか一項に記載の感情推定器生成方法。
In the change pattern extraction step, a change pattern of the voice feature amount is extracted by using at least one of the fundamental frequency of the voice, the voice intensity, and the duration of the phoneme as the voice feature amount.
The emotion estimator generation method according to any one of claims 2 to 5, wherein
前記解析区間設定ステップでは、音声データを、言語の意味を持つ最小の単位である形態素に分割し、当該形態素の後で発話された助詞又は助動詞と結合したアクセント句の区間を前記解析区間として設定する、
ことを特徴とする請求項1から6の何れか一項に記載の感情推定器生成方法。
In the analysis section setting step, the speech data is divided into morphemes, which are the smallest units having a language meaning, and a section of an accent phrase combined with a particle or auxiliary verb uttered after the morpheme is set as the analysis section. To do
The emotion estimator generation method according to any one of claims 1 to 6, characterized in that.
前記モーラ区間抽出ステップでは、音声データをテキスト表示した場合に、仮名文字1文字を1モーラ区間とし、小書きの仮名文字はその前の仮名文字と一緒にして1モーラ区間とし、長音は独立して1モーラ区間とする、
ことを特徴とする請求項2に記載の感情推定器生成方法。
In the mora section extraction step, when the voice data is displayed in text, one kana character is set as one mora section, the small kana character is combined with the preceding kana character as one mora section, and the long sound is independent. 1 mora section,
The emotion estimator generation method according to claim 2, wherein.
前記感情推定器は、発話者の発話時の感情を、悲しみ、退屈、怒り、驚き、落胆、嫌悪、喜び、の何れかの感情であると推定する、
ことを特徴とする請求項1から8の何れか一項に記載の感情推定器生成方法。
The emotion estimator estimates the emotion of the speaker at the time of utterance to be any one of sadness, boredom, anger, surprise, discouragement, disgust, and joy.
The emotion estimator generation method according to claim 1, wherein
前記複数の感情のクラスに分類された変化パターンを設定する変化パターン設定ステップを含む、
ことを特徴とする請求項1から9の何れか一項に記載の感情推定器生成方法。
A change pattern setting step of setting a change pattern classified into the plurality of emotion classes,
The emotion estimator generation method according to any one of claims 1 to 9, wherein
教師データの元となる複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定手段と、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段と、
前記感情ごとに対応する前記特徴量の変化パターンごとに分類された音声データを教師データとして、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成手段と、
を含む感情推定器生成装置。
Analysis section setting means for setting an analysis section for analyzing a feature amount of voice data including a plurality of emotional states which is a source of teacher data,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion Change pattern determining means for determining as a change pattern of the feature amount,
Audio data classified for each change pattern of the feature quantity corresponding to each of the emotion as teacher data, and emotion estimator generating means for generating an emotion estimator for estimating a speaker emotion when the uttered voice ,
Emotion estimator generation device including.
コンピュータを
教師データの元となる複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定手段、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段、
前記感情ごとに対応する前記特徴量の変化パターンごとに分類された音声データを教師データとして、音声を発話したときの発話者の感情を推定する感情推定器を生成する感情推定器生成手段、
として機能させるためのプログラム。
An analysis section setting means for setting an analysis section for analyzing a feature amount of voice data including a plurality of emotional states which is a source of teacher data by a computer,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion Change pattern determining means for determining the change pattern of the feature amount,
The feature quantity of the speech data classified for each change pattern as teacher data, the emotion estimator generating means for generating an emotion estimator for estimating a speaker emotion when the uttered voice corresponding to each of the emotion,
Program to function as.
解析対象とする複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定ステップと、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定ステップと、
前記感情ごとに対応する前記特徴量の変化パターンごとに、前記特徴量の変化パターンと同じ特徴量の変化パターンを有する教師データに基づいて生成された、音声を発話したときの発話者の感情を推定する感情推定器を用いて、前記解析区間の音声を発話した時の発話者の感情を推定する感情推定ステップと、
を含む感情推定方法。
An analysis section setting step for setting an analysis section for analyzing a feature amount of voice data including a plurality of emotional states to be analyzed,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion A change pattern determination step of determining a change pattern of the feature amount,
For each change pattern of the feature amount corresponding to each emotion, the emotion of the speaker at the time of uttering a voice, which is generated based on the teacher data having the change pattern of the same feature amount as the change pattern of the feature amount , Using an emotion estimator to estimate, an emotion estimation step of estimating the emotion of the speaker when the voice of the analysis section is uttered,
Emotion estimation method including.
解析対象とする複数の感情状態を含む音声データの特徴量を解析する解析区間を設定する解析区間設定手段と、
前記解析区間に含まれる音声データの特徴量の変化するパターンを、複数の感情のクラスに分類された変化パターンに基づいて、前記複数の感情のクラスに対応する前記解析区間に含まれる音声データの特徴量の変化パターンとして決定する変化パターン決定手段と、
前記感情ごとに対応する前記特徴量の変化パターンごとに、前記特徴量の変化パターンと同じ特徴量の変化パターンを有する教師データに基づいて生成された、音声を発話したときの発話者の感情を推定する感情推定器を用いて、前記解析区間の音声を発話した時の発話者の感情を推定する感情推定手段と、
を備えた感情推定装置。
Analysis section setting means for setting an analysis section for analyzing a feature amount of voice data including a plurality of emotional states to be analyzed,
The pattern of change in the characteristic quantity of audio data included in the analysis interval, based on the change pattern is classified into a plurality of emotion classes, the audio data included in the analysis section corresponding to the class of the plurality of emotion Change pattern determining means for determining as a change pattern of the feature amount,
For each change pattern of the feature amount corresponding to each emotion, the emotion of the speaker at the time of uttering a voice, which is generated based on the teacher data having the change pattern of the same feature amount as the change pattern of the feature amount , Using an emotion estimator for estimating, an emotion estimating means for estimating the emotion of the speaker when the voice of the analysis section is uttered,
Emotion estimation device equipped with.
JP2015247885A 2015-12-18 2015-12-18 Emotion estimator generation method, emotion estimator generation device, emotion estimation method, emotion estimation device, and program Active JP6720520B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2015247885A JP6720520B2 (en) 2015-12-18 2015-12-18 Emotion estimator generation method, emotion estimator generation device, emotion estimation method, emotion estimation device, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015247885A JP6720520B2 (en) 2015-12-18 2015-12-18 Emotion estimator generation method, emotion estimator generation device, emotion estimation method, emotion estimation device, and program

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2020104161A Division JP7001126B2 (en) 2020-06-17 2020-06-17 Emotion estimation device, emotion estimation method and program

Publications (2)

Publication Number Publication Date
JP2017111760A JP2017111760A (en) 2017-06-22
JP6720520B2 true JP6720520B2 (en) 2020-07-08

Family

ID=59080241

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015247885A Active JP6720520B2 (en) 2015-12-18 2015-12-18 Emotion estimator generation method, emotion estimator generation device, emotion estimation method, emotion estimation device, and program

Country Status (1)

Country Link
JP (1) JP6720520B2 (en)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6613290B2 (en) 2017-11-28 2019-11-27 株式会社Subaru Driving advice device and driving advice method
JP7017755B2 (en) * 2018-01-24 2022-02-09 株式会社見果てぬ夢 Broadcast wave receiver, broadcast reception method, and broadcast reception program
JP6909733B2 (en) * 2018-01-26 2021-07-28 株式会社日立製作所 Voice analyzer and voice analysis method
JP7159655B2 (en) * 2018-07-09 2022-10-25 富士フイルムビジネスイノベーション株式会社 Emotion estimation system and program
CN109587554B (en) * 2018-10-29 2021-08-03 百度在线网络技术(北京)有限公司 Video data processing method and device and readable storage medium
JP7230545B2 (en) 2019-02-04 2023-03-01 富士通株式会社 Speech processing program, speech processing method and speech processing device
KR102195246B1 (en) * 2019-03-15 2020-12-24 숭실대학교산학협력단 Method of emotion recognition using audio signal, computer readable medium and apparatus for performing the method
KR102163862B1 (en) * 2019-03-25 2020-10-12 한국과학기술원 Electronic apparatus for multiscale speech emotion recognization and operating method thereof
CN112489682B (en) * 2020-11-25 2023-05-23 平安科技(深圳)有限公司 Audio processing method, device, electronic equipment and storage medium

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4456537B2 (en) * 2004-09-14 2010-04-28 本田技研工業株式会社 Information transmission device
CN101346758B (en) * 2006-06-23 2011-07-27 松下电器产业株式会社 Emotion recognizer
JP2009182433A (en) * 2008-01-29 2009-08-13 Seiko Epson Corp Information provision system, information providing device, information providing method, and information provision program of call center

Also Published As

Publication number Publication date
JP2017111760A (en) 2017-06-22

Similar Documents

Publication Publication Date Title
JP6720520B2 (en) Emotion estimator generation method, emotion estimator generation device, emotion estimation method, emotion estimation device, and program
JP7280386B2 (en) Multilingual speech synthesis and cross-language voice cloning
US7809572B2 (en) Voice quality change portion locating apparatus
JP6523893B2 (en) Learning apparatus, speech synthesis apparatus, learning method, speech synthesis method, learning program and speech synthesis program
Arias et al. Shape-based modeling of the fundamental frequency contour for emotion detection in speech
JP6908045B2 (en) Speech processing equipment, audio processing methods, and programs
JP6370749B2 (en) Utterance intention model learning device, utterance intention extraction device, utterance intention model learning method, utterance intention extraction method, program
Martinez et al. Prosodic features and formant modeling for an ivector-based language recognition system
Tóth et al. Speech emotion perception by human and machine
JP6127422B2 (en) Speech recognition apparatus and method, and semiconductor integrated circuit device
JP2007219286A (en) Style detecting device for speech, its method and its program
JP6013104B2 (en) Speech synthesis method, apparatus, and program
KR20210059581A (en) Method and apparatus for automatic proficiency evaluation of speech
JP6436806B2 (en) Speech synthesis data creation method and speech synthesis data creation device
JP2002041084A (en) Interactive speech processing system
Abdelmalek et al. High quality Arabic text-to-speech synthesis using unit selection
JP7001126B2 (en) Emotion estimation device, emotion estimation method and program
JP5315976B2 (en) Speech recognition apparatus, speech recognition method, and program
JP7159655B2 (en) Emotion estimation system and program
JP5722295B2 (en) Acoustic model generation method, speech synthesis method, apparatus and program thereof
JP3378547B2 (en) Voice recognition method and apparatus
JP6748607B2 (en) Speech synthesis learning apparatus, speech synthesis apparatus, method and program thereof
Jauk et al. Prosodic and spectral ivectors for expressive speech synthesis
JP6370732B2 (en) Utterance intention model learning device, utterance intention extraction device, utterance intention model learning method, utterance intention extraction method, program
Ijima et al. Statistical model training technique based on speaker clustering approach for HMM-based speech synthesis

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181018

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191210

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200115

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: 20200519

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200601

R150 Certificate of patent or registration of utility model

Ref document number: 6720520

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150