JP7696331B2 - 話者識別方法、話者識別装置、及び話者識別プログラム - Google Patents

Description

本開示は、話者を識別する技術に関するものである。

従来、識別対象の話者の音声データを取得し、取得した音声データに基づいて識別対象の話者が予め登録されている話者であるか否かを識別する技術が知られている。従来の話者識別では、識別対象話者の音声データの特徴量と、登録話者の音声データの特徴量との類似度が算出され、算出された類似度が閾値以上であれば、識別対象話者と登録話者とが同一であると判定される。

例えば、非特許文献１では、話者識別のための高精度な特徴量として、ｉ－ｖｅｃｔｏｒと呼ばれる話者固有の特徴量について開示されている。

また、例えば、非特許文献２では、ｉ－ｖｅｃｔｏｒに代わる特徴量としてｘ－ｖｅｃｔｏｒが開示されている。ｘ－ｖｅｃｔｏｒは、ディープラーニングにより生成されたディープニューラルネットワークに音声データが入力されることによって抽出される特徴量である。

しかしながら、上記従来の技術では、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させるために、更なる改善が必要とされていた。

Ｎａｊｉｍ Ｄｅｈａｋ、Ｐａｔｒｉｃｋ Ｋｅｎｎｙ、Ｒｅｄａ Ｄｅｈａｋ、Ｐｉｅｒｒｅ Ｄｕｍｏｕｃｈｅｌ、Ｐｉｅｒｒｅ Ｏｕｅｌｌｅｔ、「Ｆｒｏｎｔ－Ｅｎｄ Ｆａｃｔｏｒ Ａｎａｌｙｓｉｓ Ｆｏｒ Ｓｐｅａｋｅｒ Ｖｅｒｉｆｉｃａｔｉｏｎ」、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｄｉｏ，Ｓｐｅｅｃｈ ａｎｄ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ、２０１１年 Ｄａｖｉｄ Ｓｎｙｄｅｒ、Ｄａｎｉｅｌ Ｇａｒｃｉａ－Ｒｏｍｅｒｏ、Ｇｒｅｇｏｒｙ Ｓｅｌｌ、Ｄａｎｉｅｌ Ｐｏｖｅｒｙ、Ｓａｎｊｅｅｖ Ｋｈｕｄａｎｐｕｒ、「Ｘ－Ｖｅｃｔｏｒｓ：Ｒｏｂｕｓｔ ＤＮＮ Ｅｍｂｅｄｄｉｎｇｓ ｆｏｒ Ｓｐｅａｋｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ」、ＩＥＥＥ、ＩＣＡＳＳＰ ２０１８年

本開示は、上記の問題を解決するためになされたもので、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる技術を提供することを目的とするものである。

本開示の一態様に係る話者識別方法は、コンピュータが、識別対象音声データを取得し、予め登録されている登録音声データを取得し、前記識別対象音声データの特徴量を抽出し、前記登録音声データの特徴量を抽出し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択し、前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別する。

本開示によれば、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる。

本開示の実施の形態１における話者識別システムの構成を示す図である。 本開示の実施の形態１における性別識別モデル生成装置の構成を示す図である。 本開示の実施の形態１における話者識別モデル生成装置の構成を示す図である。 本実施の形態１における話者識別装置の登録処理の動作について説明するためのフローチャートである。 図４のステップＳ３の性別識別処理の動作について説明するためのフローチャートである。 本実施の形態１における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートである。 本実施の形態１における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。 本実施の形態１における性別識別モデル生成装置の性別識別モデル生成処理の動作について説明するためのフローチャートである。 本実施の形態１における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第１のフローチャートである。 本実施の形態１における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第２のフローチャートである。 従来の話者識別装置の話者識別性能評価結果と、実施の形態１の話者識別装置の話者識別性能評価結果とを示す図である。 本実施の形態１の変形例１における性別識別処理の動作について説明するためのフローチャートである。 本実施の形態１の変形例２における性別識別処理の動作について説明するためのフローチャートである。 本開示の実施の形態２における話者識別システムの構成を示す図である。 本実施の形態２における話者識別装置の登録処理の動作について説明するためのフローチャートである。 本実施の形態２における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートである。 本実施の形態２における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。 本開示の実施の形態３における話者識別モデル生成装置の構成を示す図である。 本開示の実施の形態３における話者識別システムの構成を示す図である。 本実施の形態３における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第１のフローチャートである。 本実施の形態３における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第２のフローチャートである。 本実施の形態３における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第３のフローチャートである。 本実施の形態３における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートである。 本実施の形態３における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。 本開示の実施の形態４における話者識別システムの構成を示す図である。 本開示の実施の形態４における話者識別モデル生成装置の構成を示す図である。 本実施の形態４における話者識別装置の登録処理の動作について説明するためのフローチャートである。 本実施の形態４における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートである。 本実施の形態４における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。 本実施の形態４における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第１のフローチャートである。 本実施の形態４における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第２のフローチャートである。 本開示の実施の形態５における話者識別システムの構成を示す図である。 本実施の形態５における話者識別装置の登録処理の動作について説明するためのフローチャートである。 本実施の形態５における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートである。 本実施の形態５における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。 本開示の実施の形態６における話者識別モデル生成装置の構成を示す図である。 本開示の実施の形態６における話者識別システムの構成を示す図である。 本実施の形態６における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第１のフローチャートである。 本実施の形態６における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第２のフローチャートである。 本実施の形態６における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第３のフローチャートである。 本実施の形態６における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートであ 本実施の形態６における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。

（本開示の基礎となった知見）
男性と女性とでは、発話した音声データの特徴量の分布が異なる。しかしながら、従来の話者識別装置は、話者の性別に関係なく収集した音声データから生成された話者識別モデルを用いて、識別対象の音声データの話者を識別している。このように、従来技術では、男性の話者及び女性の話者のそれぞれに特化した話者識別については検討されていない。そのため、性別を考慮した話者識別が行われることにより、話者識別の精度が向上する可能性がある。

以上の課題を解決するために、本開示の一態様に係る話者識別方法は、コンピュータが、識別対象音声データを取得し、予め登録されている登録音声データを取得し、前記識別対象音声データの特徴量を抽出し、前記登録音声データの特徴量を抽出し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択し、前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別する。

この構成によれば、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が男性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、男性用に生成された第１話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。また、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が女性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、女性用に生成された第２話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。

したがって、音声データの特徴量の分布が性別によって異なる場合であっても、それぞれの性別に特化した第１話者識別モデル及び第２話者識別モデルにより、識別対象音声データの話者が識別されるので、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる。

また、上記の話者識別方法において、前記第１話者識別モデル又は前記第２話者識別モデルの選択において、前記登録音声データの前記話者の性別が男性である場合、前記第１話者識別モデルを選択し、前記登録音声データの前記話者の性別が女性である場合、前記第２話者識別モデルを選択してもよい。

この構成によれば、登録音声データの話者の性別に応じて、第１話者識別モデル及び第２話者識別モデルのいずれかが選択される。したがって、登録時において予め登録音声データの話者の性別が１回だけ識別されることにより、話者識別毎に識別対象音声データの性別を識別する必要がなくなり、話者識別の処理負荷を軽減することができる。

また、上記の話者識別方法において、さらに、登録対象音声データを取得し、さらに、前記登録対象音声データの特徴量を抽出し、さらに、前記登録対象音声データの前記特徴量を用いて前記登録対象音声データの話者の性別を識別し、さらに、識別した前記性別に対応付けた前記登録対象音声データを前記登録音声データとして登録してもよい。

この構成によれば、登録時において、性別に対応付けた登録音声データを予め登録することができ、話者識別時において、予め登録されている登録音声データに対応付けられている性別を用いて第１話者識別モデル及び第２話者識別モデルのいずれかを容易に選択することができる。

また、上記の話者識別方法において、前記性別の識別において、話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルを取得し、前記登録対象音声データの前記特徴量を前記性別識別モデルに入力することにより、前記登録対象音声データの前記話者の性別を識別してもよい。

この構成によれば、話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルに登録対象音声データが入力されるだけで、登録対象音声データの話者の性別を容易に識別することができる。

また、上記の話者識別方法において、前記性別の識別において、前記登録対象音声データの前記特徴量と、予め記憶されている男性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記男性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、取得した複数の類似度の平均を平均男性類似度として算出し、前記登録対象音声データの前記特徴量と、予め記憶されている女性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記女性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、取得した複数の類似度の平均を平均女性類似度として算出し、前記平均男性類似度が前記平均女性類似度より高い場合、前記登録対象音声データの前記話者の性別を男性と識別し、前記平均男性類似度が前記平均女性類似度より低い場合、前記登録対象音声データの前記話者の性別を女性と識別してもよい。

この構成によれば、登録対象音声データの話者が男性である場合、登録対象音声データの特徴量と複数の男性の音声データの特徴量との平均類似度は、登録対象音声データの特徴量と複数の女性の音声データの特徴量との平均類似度よりも高くなる。また、登録対象音声データの話者が女性である場合、登録対象音声データの特徴量と複数の女性の音声データの特徴量との平均類似度は、登録対象音声データの特徴量と複数の男性の音声データの特徴量との平均類似度よりも高くなる。そのため、登録対象音声データの特徴量と複数の男性の音声データの特徴量との平均類似度と、登録対象音声データの特徴量と複数の女性の音声データの特徴量との平均類似度とが比較されることにより、登録対象音声データの話者の性別を容易に識別することができる。

また、上記の話者識別方法において、前記性別の識別において、前記登録対象音声データの前記特徴量と、予め記憶されている男性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記男性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、取得した複数の類似度のうちの最大値を最大男性類似度として算出し、前記登録対象音声データの前記特徴量と、予め記憶されている女性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記女性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、取得した複数の類似度のうちの最大値を最大女性類似度として算出し、前記最大男性類似度が前記最大女性類似度より高い場合、前記登録対象音声データの前記話者の性別を男性と識別し、前記最大男性類似度が前記最大女性類似度より低い場合、前記登録対象音声データの前記話者の性別を女性と識別してもよい。

この構成によれば、登録対象音声データの話者が男性である場合、登録対象音声データの特徴量と複数の男性の音声データの特徴量との複数の類似度のうちの最大類似度は、登録対象音声データの特徴量と複数の女性の音声データの特徴量との複数の類似度のうちの最大類似度よりも高くなる。また、登録対象音声データの話者が女性である場合、登録対象音声データの特徴量と複数の女性の音声データの特徴量との複数の類似度のうちの最大類似度は、登録対象音声データの特徴量と複数の男性の音声データの特徴量との複数の類似度のうちの最大類似度よりも高くなる。そのため、登録対象音声データの特徴量と複数の男性の音声データの特徴量との複数の類似度のうちの最大類似度と、登録対象音声データの特徴量と複数の女性の音声データの特徴量との複数の類似度のうちの最大類似度とが比較されることにより、登録対象音声データの話者の性別を容易に識別することができる。

また、上記の話者識別方法において、前記性別の識別において、予め記憶されている男性の複数の音声データの平均特徴量を算出し、前記登録対象音声データの前記特徴量と男性の複数の音声データの前記平均特徴量とを前記性別識別モデルに入力することにより、前記登録対象音声データと男性の音声データ群との第１類似度を前記性別識別モデルから取得し、予め記憶されている女性の複数の音声データの平均特徴量を算出し、前記登録対象音声データの前記特徴量と女性の複数の音声データの前記平均特徴量とを前記性別識別モデルに入力することにより、前記登録対象音声データと女性の音声データ群との第２類似度を前記性別識別モデルから取得し、前記第１類似度が前記第２類似度より高い場合、前記登録対象音声データの前記話者の性別を男性と識別し、前記第１類似度が前記第２類似度より低い場合、前記登録対象音声データの前記話者の性別を女性と識別してもよい。

この構成によれば、登録対象音声データの話者が男性である場合、登録対象音声データの特徴量と複数の男性の音声データの平均特徴量との第１類似度は、登録対象音声データの特徴量と複数の女性の音声データの平均特徴量との第２類似度よりも高くなる。また、登録対象音声データの話者が女性である場合、登録対象音声データの特徴量と複数の女性の音声データの平均特徴量との第２類似度は、登録対象音声データの特徴量と複数の男性の音声データの平均特徴量との第１類似度よりも高くなる。そのため、登録対象音声データの特徴量と複数の男性の音声データの平均特徴量との第１類似度と、登録対象音声データの特徴量と複数の女性の音声データの平均特徴量との第２類似度とが比較されることにより、登録対象音声データの話者の性別を容易に識別することができる。

また、上記の話者識別方法において、前記登録音声データは、複数の登録音声データを含み、前記話者の識別において、前記識別対象音声データの前記特徴量と前記複数の登録音声データの前記特徴量それぞれとを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データと前記複数の登録音声データそれぞれとの類似度を前記第１話者識別モデル及び前記第２話者識別モデルのいずれかから取得し、取得した類似度が最も高い前記登録音声データの話者を前記識別対象音声データの話者として識別してもよい。

この構成によれば、第１話者識別モデル及び第２話者識別モデルのいずれかから、識別対象音声データと複数の登録音声データそれぞれとの類似度が取得され、類似度が最も高い登録音声データの話者が識別対象音声データの話者として識別される。そのため、複数の登録音声データの中から、最も類似する登録音声データの話者を識別対象音声データの話者として識別することができる。

また、上記の話者識別方法において、前記登録音声データは、複数の登録音声データを含み、前記複数の登録音声データは、前記複数の登録音声データそれぞれの話者を識別するための識別情報と対応付けられており、さらに、前記識別対象音声データの話者を識別するための識別情報を取得し、前記登録音声データの取得において、前記複数の登録音声データの中から、取得した前記識別情報と一致する識別情報が対応付けられている登録音声データを取得し、前記話者の識別において、前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データと前記登録音声データとの類似度を前記第１話者識別モデル及び前記第２話者識別モデルのいずれかから取得し、取得した前記類似度が閾値よりも高い場合、前記登録音声データの話者を前記識別対象音声データの話者として識別してもよい。

この構成によれば、複数の登録音声データの中から、識別対象音声データの話者を識別するための識別情報と一致する識別情報が対応付けられている１の登録音声データが取得される。そのため、複数の登録音声データのうちの全ての登録音声データの特徴量と識別対象音声データの特徴量との類似度を算出する必要がなく、複数の登録音声データのうちの１の登録音声データの特徴量と識別対象音声データの特徴量との類似度を算出すればよいので、話者識別の処理負荷を低減することができる。

また、上記の話者識別方法において、機械学習時に、男性の複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせが前記第１話者識別モデルに入力されることにより、前記２つの音声データの複数の組み合わせそれぞれの類似度が前記第１話者識別モデルから取得され、同一話者の前記２つの音声データの前記類似度と、互いに異なる話者の前記２つの音声データの前記類似度とを識別可能な第１閾値が算出され、機械学習時に、女性の複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせが前記第２話者識別モデルに入力されることにより、前記２つの音声データの複数の組み合わせそれぞれの類似度が前記第２話者識別モデルから取得され、同一話者の前記２つの音声データの前記類似度と、互いに異なる話者の前記２つの音声データの前記類似度とを識別可能な第２閾値が算出され、前記話者の識別において、前記第１話者識別モデルから前記類似度を取得した場合、取得した前記類似度から前記第１閾値を減算し、前記第２話者識別モデルから前記類似度を取得した場合、取得した前記類似度から前記第２閾値を減算してもよい。

２つの異なる第１話者識別モデルと第２話者識別モデルとが用いられる場合、第１話者識別モデルと第２話者識別モデルとの出力値の範囲が異なるおそれがある。そこで、登録時において、第１話者識別モデル及び第２話者識別モデルのそれぞれに対し、同一の話者を識別することが可能な第１閾値及び第２閾値が算出される。また、話者識別時において、算出された識別対象音声データと登録音声データとの類似度から第１閾値又は第２閾値が減算されることにより類似度が補正される。そして、補正された類似度が第１話者識別モデル及び第２話者識別モデルに共通の閾値と比較されることにより、識別対象音声データの話者をより高い精度で識別することができる。

本開示の他の態様に係る話者識別装置は、識別対象音声データを取得する識別対象音声データ取得部と、予め登録されている登録音声データを取得する登録音声データ取得部と、前記識別対象音声データの特徴量を抽出する第１抽出部と、前記登録音声データの特徴量を抽出する第２抽出部と、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択する話者識別モデル選択部と、前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別する話者識別部と、を備える。

この構成によれば、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が男性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、男性用に生成された第１話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。また、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が女性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、女性用に生成された第２話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。

したがって、音声データの特徴量の分布が性別によって異なる場合であっても、それぞれの性別に特化した第１話者識別モデル及び第２話者識別モデルにより、識別対象音声データの話者が識別されるので、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる。

本開示の他の態様に係る話者識別プログラムは、識別対象音声データを取得し、予め登録されている登録音声データを取得し、前記識別対象音声データの特徴量を抽出し、前記登録音声データの特徴量を抽出し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択し、前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別するようにコンピュータを機能させる。

この構成によれば、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が男性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、男性用に生成された第１話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。また、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が女性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、女性用に生成された第２話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。

したがって、音声データの特徴量の分布が性別によって異なる場合であっても、それぞれの性別に特化した第１話者識別モデル及び第２話者識別モデルにより、識別対象音声データの話者が識別されるので、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる。

本開示の他の態様に係る性別識別モデル生成方法は、コンピュータが、男性及び女性のいずれかを示す性別ラベルが付与された複数の音声データを取得し、前記複数の音声データのうちの第１音声データ及び第２音声データの各特徴量と、前記第１音声データ及び前記第２音声データの各性別ラベルの類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を前記２つの音声データの類似度とする性別識別モデルを機械学習により生成する。

この構成によれば、機械学習により生成された性別識別モデルに、登録音声データ又は識別対象音声データの特徴量と、男性の音声データの特徴量とが入力されることにより、２つの音声データの第１類似度が出力される。また、性別識別モデルに、登録音声データ又は識別対象音声データの特徴量と、女性の音声データの特徴量とが入力されることにより、２つの音声データの第２類似度が出力される。そして、第１類似度と第２類似度とが比較されることにより、登録音声データ又は識別対象音声データの話者の性別を容易に推定することができる。

本開示の他の態様に係る話者識別モデル生成方法は、コンピュータが、男性である話者を識別するための話者識別ラベルが付与された複数の男性音声データを取得し、前記複数の男性音声データのうちの第１男性音声データ及び第２男性音声データの各特徴量と、前記第１男性音声データ及び前記第２男性音声データの各話者識別ラベルの類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を前記２つの音声データの類似度とする第１話者識別モデルを機械学習により生成し、女性である話者を識別するための話者識別ラベルが付与された複数の女性音声データを取得し、前記複数の女性音声データのうちの第１女性音声データ及び第２女性音声データの各特徴量と、前記第１女性音声データ及び前記第２女性音声データの各話者識別ラベルの類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を前記２つの音声データの類似度とする第２話者識別モデルを機械学習により生成する。

この構成によれば、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が男性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、男性用に生成された第１話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。また、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が女性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、女性用に生成された第２話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。

したがって、音声データの特徴量の分布が性別によって異なる場合であっても、男性に特化した第１話者識別モデル及び女性に特化した第２話者識別モデルにより、識別対象音声データの話者が識別されるので、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる。

以下添付図面を参照しながら、本開示の実施の形態について説明する。なお、以下の実施の形態は、本開示を具体化した一例であって、本開示の技術的範囲を限定するものではない。

（実施の形態１）
図１は、本開示の実施の形態１における話者識別システムの構成を示す図である。

図１に示す話者識別システムは、マイクロホン１及び話者識別装置２を備える。なお、話者識別装置２は、マイクロホン１を備えていなくてもよいし、備えてもよい。

マイクロホン１は、話者が発話した音声を収音し、音声データに変換し、話者識別装置２へ出力する。マイクロホン１は、音声データを予め登録する際に、話者が発話した登録対象音声データを話者識別装置２へ出力する。また、マイクロホン１は、話者を識別する際に、話者が発話した識別対象音声データを話者識別装置２へ出力する。

話者識別装置２は、登録対象音声データ取得部２０１、特徴量抽出部２０２、性別識別モデル記憶部２０３、性別識別用音声データ記憶部２０４、性別識別部２０５、登録部２０６、識別対象音声データ取得部２１１、登録音声データ記憶部２１２、登録音声データ取得部２１３、特徴量抽出部２１４、特徴量抽出部２１５、話者識別モデル記憶部２１６、モデル選択部２１７、話者識別部２１８及び識別結果出力部２１９を備える。

登録対象音声データ取得部２０１、特徴量抽出部２０２、性別識別部２０５、登録部２０６、識別対象音声データ取得部２１１、登録音声データ取得部２１３、特徴量抽出部２１４、特徴量抽出部２１５、モデル選択部２１７、話者識別部２１８及び識別結果出力部２１９は、プロセッサにより実現される。プロセッサは、例えば、ＣＰＵ（中央演算処理装置）などから構成される。

性別識別モデル記憶部２０３、性別識別用音声データ記憶部２０４、登録音声データ記憶部２１２及び話者識別モデル記憶部２１６は、メモリにより実現される。メモリは、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）又はＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などから構成される。

なお、話者識別装置２は、例えば、コンピュータ、スマートフォン、タブレット型コンピュータ又はサーバであってもよい。

登録対象音声データ取得部２０１は、マイクロホン１から出力された登録対象音声データを取得する。

特徴量抽出部２０２は、登録対象音声データ取得部２０１によって取得された登録対象音声データの特徴量を抽出する。特徴量は、例えばｉ－ｖｅｃｔｏｒである。ｉ－ｖｅｃｔｏｒは、ＧＭＭ（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ）スーパーベクトルに因子分析を用いることで音声データから抽出される低次元ベクトルの特徴量である。なお、ｉ－ｖｅｃｔｏｒの抽出方法については従来技術であるため、詳細な説明は省略する。また、特徴量は、ｉ－ｖｅｃｔｏｒに限定されず、例えばｘ－ｖｅｃｔｏｒなどの他の特徴量であってもよい。

性別識別モデル記憶部２０３は、話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルを予め記憶する。なお、性別識別モデルの生成方法については後述する。

性別識別用音声データ記憶部２０４は、登録対象音声データの話者の性別を識別するために用いる性別識別用音声データの特徴量を予め記憶する。性別識別用音声データは、男性の複数の音声データと、女性の複数の音声データとを含む。なお、性別識別用音声データ記憶部２０４は、性別識別用音声データの特徴量を予め記憶しているが、本開示は特にこれに限定されず、性別識別用音声データを予め記憶してもよい。この場合、話者識別装置２は、性別識別用音声データの特徴量を抽出する特徴量抽出部を備える。

性別識別部２０５は、特徴量抽出部２０２によって抽出された登録対象音声データの特徴量を用いて登録対象音声データの話者の性別を識別する。性別識別部２０５は、話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルを性別識別モデル記憶部２０３から取得する。性別識別部２０５は、登録対象音声データの特徴量を性別識別モデルに入力することにより、登録対象音声データの話者の性別を識別する。

性別識別部２０５は、登録対象音声データの特徴量と、性別識別用音声データ記憶部２０４に予め記憶されている男性の複数の音声データの特徴量それぞれとを性別識別モデルに入力することにより、登録対象音声データと男性の複数の音声データそれぞれとの類似度を性別識別モデルから取得する。そして、性別識別部２０５は、取得した複数の類似度の平均を平均男性類似度として算出する。

また、性別識別部２０５は、登録対象音声データの特徴量と、性別識別用音声データ記憶部２０４に予め記憶されている女性の複数の音声データの特徴量それぞれとを性別識別モデルに入力することにより、登録対象音声データと女性の複数の音声データそれぞれとの類似度を性別識別モデルから取得する。そして、性別識別部２０５は、取得した複数の類似度の平均を平均女性類似度として算出する。

性別識別部２０５は、平均男性類似度が平均女性類似度より高い場合、登録対象音声データの話者の性別を男性と識別する。一方、性別識別部２０５は、平均男性類似度が平均女性類似度より低い場合、登録対象音声データの話者の性別を女性と識別する。なお、性別識別部２０５は、平均男性類似度が平均女性類似度と同じである場合、登録対象音声データの話者の性別を男性と識別してもよいし、登録対象音声データの話者の性別を女性と識別してもよい。

登録部２０６は、性別識別部２０５によって識別された性別情報を対応付けた登録対象音声データを登録音声データとして登録する。登録部２０６は、登録音声データを登録音声データ記憶部２１２に登録する。

なお、話者識別装置２は、登録対象音声データの話者に関する情報の入力を受け付ける入力受付部をさらに備えてもよい。そして、登録部２０６は、話者に関する情報に対応付けて登録音声データを登録音声データ記憶部２１２に登録してもよい。話者に関する情報は、例えば、話者の名前などである。

識別対象音声データ取得部２１１は、マイクロホン１から出力された識別対象音声データを取得する。

登録音声データ記憶部２１２は、性別情報が対応付けられた登録音声データを記憶する。登録音声データ記憶部２１２は、複数の登録音声データを記憶する。

登録音声データ取得部２１３は、登録音声データ記憶部２１２に登録されている登録音声データを取得する。

特徴量抽出部２１４は、識別対象音声データ取得部２１１によって取得された識別対象音声データの特徴量を抽出する。特徴量は、例えばｉ－ｖｅｃｔｏｒである。

特徴量抽出部２１５は、登録音声データ取得部２１３によって取得された登録音声データの特徴量を抽出する。特徴量は、例えばｉ－ｖｅｃｔｏｒである。

話者識別モデル記憶部２１６は、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルと、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルとを予め記憶する。話者識別モデル記憶部２１６は、後述する話者識別モデル生成装置４によって生成された第１話者識別モデル及び第２話者識別モデルを予め記憶する。なお、第１話者識別モデル及び第２話者識別モデルの生成方法については後述する。

モデル選択部２１７は、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択する。また、モデル選択部２１７は、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択する。

本実施の形態１において、モデル選択部２１７は、登録音声データの話者の性別が男性である場合、第１話者識別モデルを選択し、登録音声データの話者の性別が女性である場合、第２話者識別モデルを選択する。登録音声データには、予め性別が対応付けられている。そのため、モデル選択部２１７は、登録音声データに対応付けられている性別が男性である場合、第１話者識別モデルを選択し、登録音声データに対応付けられている性別が女性である場合、第２話者識別モデルを選択する。

話者識別部２１８は、識別対象音声データの特徴量と登録音声データの特徴量とを、モデル選択部２１７によって選択された第１話者識別モデル及び第２話者識別モデルのいずれかに入力することにより、識別対象音声データの話者を識別する。

話者識別部２１８は、類似度算出部２３１及び類似度判定部２３２を備える。

類似度算出部２３１は、識別対象音声データの特徴量と複数の登録音声データの特徴量それぞれとを、選択された第１話者識別モデル及び第２話者識別モデルのいずれかに入力することにより、識別対象音声データと複数の登録音声データそれぞれとの類似度を第１話者識別モデル及び第２話者識別モデルのいずれかから取得する。

類似度判定部２３２は、取得した類似度が最も高い登録音声データの話者を識別対象音声データの話者として識別する。

なお、類似度判定部２３２は、最も高い類似度が閾値より大きいか否かを判定してもよい。識別対象音声データの話者と同じ話者の登録音声データが登録音声データ記憶部２１２に存在しない場合であっても、識別対象音声データと各登録音声データとの類似度は算出される。そのため、類似度が最も高い登録音声データであっても、当該登録音声データの話者が、識別対象音声データの話者と同じであるとは限らない。そこで、最も高い類似度が閾値より大きいか否かが判定されることにより、確実に話者を識別することができる。

識別結果出力部２１９は、話者識別部２１８による識別結果を出力する。識別結果出力部２１９は、例えばディスプレイ又はスピーカであり、識別対象音声データの話者が識別された場合、識別対象音声データの話者が予め登録されている話者であることを示すメッセージをディスプレイ又はスピーカに出力する。一方、識別結果出力部２１９は、識別対象音声データの話者が識別されなかった場合、識別対象音声データの話者が予め登録されている話者ではないことを示すメッセージをディスプレイ又はスピーカに出力する。識別結果出力部２１９は、話者識別部２１８による識別結果を、話者識別装置２以外の他の装置へ出力してもよい。

続いて、本開示の実施の形態１における性別識別モデル生成装置について説明する。

図２は、本開示の実施の形態１における性別識別モデル生成装置の構成を示す図である。

図２に示す性別識別モデル生成装置３は、性別識別用音声データ記憶部３０１、性別識別用音声データ取得部３０２、特徴量抽出部３０３、性別識別モデル生成部３０４及び性別識別モデル記憶部３０５を備える。

性別識別用音声データ取得部３０２、特徴量抽出部３０３及び性別識別モデル生成部３０４は、プロセッサにより実現される。性別識別用音声データ記憶部３０１及び性別識別モデル記憶部３０５は、メモリにより実現される。

性別識別用音声データ記憶部３０１は、男性及び女性のいずれかを示す性別ラベルが付与された複数の音声データを予め記憶する。性別識別用音声データ記憶部３０１は、複数の話者毎に互いに異なる複数の音声データを記憶する。

性別識別用音声データ取得部３０２は、男性及び女性のいずれかを示す性別ラベルが付与された複数の音声データを性別識別用音声データ記憶部３０１から取得する。なお、本実施の形態１では、性別識別用音声データ取得部３０２は、複数の音声データを性別識別用音声データ記憶部３０１から取得しているが、本開示は特にこれに限定されず、ネットワークを介して外部機器から複数の音声データを取得（受信）してもよい。

特徴量抽出部３０３は、性別識別用音声データ取得部３０２によって取得された複数の音声データの特徴量を抽出する。特徴量は、例えばｉ－ｖｅｃｔｏｒである。

性別識別モデル生成部３０４は、複数の音声データのうちの第１音声データ及び第２音声データの各特徴量と、第１音声データ及び第２音声データの各性別ラベルの類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする性別識別モデルを機械学習により生成する。例えば、性別識別モデルは、第１音声データの性別ラベルと第２音声データの性別ラベルとが同じであれば、最も高い類似度が出力され、第１音声データの性別ラベルと第２音声データの性別ラベルとが異なっていれば、最も低い類似度が出力されるように機械学習される。

性別識別モデルとしては、確率的線形判別分析（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ：ＰＬＤＡ）によるモデルが用いられる。ＰＬＤＡモデルは、４００次元のｉ－ｖｅｃｔｏｒ特徴量から話者の識別に有効な特徴量を自動的に選択し、対数尤度比を類似度として算出する。

なお、機械学習としては、例えば、入力情報に対してラベル（出力情報）が付与された教師データを用いて入力と出力との関係を学習する教師あり学習、ラベルのない入力のみからデータの構造を構築する教師なし学習、ラベルありとラベルなしとのどちらも扱う半教師あり学習、報酬を最大化する行動を試行錯誤により学習する強化学習なども挙げられる。また、機械学習の具体的な手法としては、ニューラルネットワーク（多層のニューラルネットワークを用いた深層学習を含む）、遺伝的プログラミング、決定木、ベイジアン・ネットワーク、又はサポート・ベクター・マシン（ＳＶＭ）などが存在する。性別識別モデルの機械学習においては、以上で挙げた具体例のいずれかを用いればよい。

性別識別モデル記憶部３０５は、性別識別モデル生成部３０４によって生成された性別識別モデルを記憶する。

なお、性別識別モデル生成装置３は、性別識別モデル記憶部３０５に記憶された性別識別モデルを話者識別装置２へ送信してもよい。話者識別装置２は、受信した性別識別モデルを性別識別モデル記憶部２０３に記憶してもよい。また、話者識別装置２の製造時において、性別識別モデル生成装置３によって生成された性別識別モデルが話者識別装置２に記憶されてもよい。

また、本実施の形態１の性別識別モデル生成装置３においては、複数の音声データには、男性及び女性のいずれかを示す性別ラベルが付与されているが、本開示は特にこれに限定されず、話者を識別するための識別情報がラベルとして付与されてもよい。この場合、性別識別モデル生成部３０４は、複数の音声データのうちの第１音声データ及び第２音声データの各特徴量と、第１音声データ及び第２音声データの各識別情報の類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする性別識別モデルを機械学習により生成する。例えば、性別識別モデルは、第１音声データの識別情報と第２音声データの識別情報とが同じであれば、最も高い類似度が出力され、第１音声データの識別情報と第２音声データの識別情報とが異なっていれば、最も低い類似度が出力されるように機械学習される。

続いて、本開示の実施の形態１における話者識別モデル生成装置について説明する。

図３は、本開示の実施の形態１における話者識別モデル生成装置の構成を示す図である。

図３に示す話者識別モデル生成装置４は、男性音声データ記憶部４０１、男性音声データ取得部４０２、特徴量抽出部４０３、第１話者識別モデル生成部４０４、第１話者識別モデル記憶部４０５、女性音声データ記憶部４１１、女性音声データ取得部４１２、特徴量抽出部４１３、第２話者識別モデル生成部４１４及び第２話者識別モデル記憶部４１５を備える。

男性音声データ取得部４０２、特徴量抽出部４０３、第１話者識別モデル生成部４０４、女性音声データ取得部４１２、特徴量抽出部４１３及び第２話者識別モデル生成部４１４は、プロセッサにより実現される。男性音声データ記憶部４０１、第１話者識別モデル記憶部４０５、女性音声データ記憶部４１１及び第２話者識別モデル記憶部４１５は、メモリにより実現される。

男性音声データ記憶部４０１は、男性である話者を識別するための話者識別ラベルが付与された複数の男性音声データを記憶する。男性音声データ記憶部４０１は、複数の話者毎に互いに異なる複数の男性音声データを記憶する。

男性音声データ取得部４０２は、男性である話者を識別するための話者識別ラベルが付与された複数の男性音声データを男性音声データ記憶部４０１から取得する。なお、本実施の形態１では、男性音声データ取得部４０２は、複数の男性音声データを男性音声データ記憶部４０１から取得しているが、本開示は特にこれに限定されず、ネットワークを介して外部機器から複数の男性音声データを取得（受信）してもよい。

特徴量抽出部４０３は、男性音声データ取得部４０２によって取得された複数の男性音声データの特徴量を抽出する。特徴量は、例えばｉ－ｖｅｃｔｏｒである。

第１話者識別モデル生成部４０４は、複数の男性音声データのうちの第１男性音声データ及び第２男性音声データの各特徴量と、第１男性音声データ及び第２男性音声データの各話者識別ラベルの類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする第１話者識別モデルを機械学習により生成する。例えば、第１話者識別モデルは、第１男性音声データの話者識別ラベルと第２男性音声データの話者識別ラベルとが同じであれば、最も高い類似度が出力され、第１男性音声データの話者識別ラベルと第２男性音声データの話者識別ラベルとが異なっていれば、最も低い類似度が出力されるように機械学習される。

第１話者識別モデルとしては、ＰＬＤＡによるモデルが用いられる。ＰＬＤＡモデルは、４００次元のｉ－ｖｅｃｔｏｒ（特徴量）から話者の識別に有効な特徴量を自動的に選択し、対数尤度比を類似度として算出する。

なお、機械学習としては、例えば、入力情報に対してラベル（出力情報）が付与された教師データを用いて入力と出力との関係を学習する教師あり学習、ラベルのない入力のみからデータの構造を構築する教師なし学習、ラベルありとラベルなしとのどちらも扱う半教師あり学習、報酬を最大化する行動を試行錯誤により学習する強化学習なども挙げられる。また、機械学習の具体的な手法としては、ニューラルネットワーク（多層のニューラルネットワークを用いた深層学習を含む）、遺伝的プログラミング、決定木、ベイジアン・ネットワーク、又はサポート・ベクター・マシン（ＳＶＭ）などが存在する。第１話者識別モデルの機械学習においては、以上で挙げた具体例のいずれかを用いればよい。

第１話者識別モデル記憶部４０５は、第１話者識別モデル生成部４０４によって生成された第１話者識別モデルを記憶する。

女性音声データ記憶部４１１は、女性である話者を識別するための話者識別ラベルが付与された複数の女性音声データを記憶する。女性音声データ記憶部４１１は、複数の話者毎に互いに異なる複数の女性音声データを記憶する。

女性音声データ取得部４１２は、女性である話者を識別するための話者識別ラベルが付与された複数の女性音声データを女性音声データ記憶部４１１から取得する。なお、本実施の形態１では、女性音声データ取得部４１２は、複数の女性音声データを女性音声データ記憶部４１１から取得しているが、本開示は特にこれに限定されず、ネットワークを介して外部機器から複数の女性音声データを取得（受信）してもよい。

特徴量抽出部４１３は、女性音声データ取得部４１２によって取得された複数の女性音声データの特徴量を抽出する。特徴量は、例えばｉ－ｖｅｃｔｏｒである。

第２話者識別モデル生成部４１４は、複数の女性音声データのうちの第１女性音声データ及び第２女性音声データの各特徴量と、第１女性音声データ及び第２女性音声データの各話者識別ラベルの類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする第２話者識別モデルを機械学習により生成する。例えば、第２話者識別モデルは、第１女性音声データの話者識別ラベルと第２女性音声データの話者識別ラベルとが同じであれば、最も高い類似度が出力され、第１女性音声データの話者識別ラベルと第２女性音声データの話者識別ラベルとが異なっていれば、最も低い類似度が出力されるように機械学習される。

第２話者識別モデルとしては、ＰＬＤＡによるモデルが用いられる。ＰＬＤＡモデルは、４００次元のｉ－ｖｅｃｔｏｒ（特徴量）から話者の識別に有効な特徴量を自動的に選択し、対数尤度比を類似度として算出する。

なお、機械学習としては、例えば、入力情報に対してラベル（出力情報）が付与された教師データを用いて入力と出力との関係を学習する教師あり学習、ラベルのない入力のみからデータの構造を構築する教師なし学習、ラベルありとラベルなしとのどちらも扱う半教師あり学習、報酬を最大化する行動を試行錯誤により学習する強化学習なども挙げられる。また、機械学習の具体的な手法としては、ニューラルネットワーク（多層のニューラルネットワークを用いた深層学習を含む）、遺伝的プログラミング、決定木、ベイジアン・ネットワーク、又はサポート・ベクター・マシン（ＳＶＭ）などが存在する。第２話者識別モデルの機械学習においては、以上で挙げた具体例のいずれかを用いればよい。

第２話者識別モデル記憶部４１５は、第２話者識別モデル生成部４１４によって生成された第２話者識別モデルを記憶する。

なお、話者識別モデル生成装置４は、第１話者識別モデル記憶部４０５に記憶された第１話者識別モデル及び第２話者識別モデル記憶部４１５に記憶された第２話者識別モデルを話者識別装置２へ送信してもよい。話者識別装置２は、受信した第１話者識別モデル及び第２話者識別モデルを話者識別モデル記憶部２１６に記憶してもよい。また、話者識別装置２の製造時において、話者識別モデル生成装置４によって生成された第１話者識別モデル及び第２話者識別モデルが話者識別装置２に記憶されてもよい。

続いて、本実施の形態１における話者識別装置２の登録処理及び話者識別処理のそれぞれの動作について説明する。

図４は、本実施の形態１における話者識別装置の登録処理の動作について説明するためのフローチャートである。

まず、ステップＳ１において、登録対象音声データ取得部２０１は、マイクロホン１から出力された登録対象音声データを取得する。自身が発話した音声データの登録を希望する話者は、マイクロホン１に向かって所定の文章を発話する。このとき、登録対象音声データの文章は、識別対象音声データの文章よりも長いことが好ましい。文字数が比較的多い登録対象音声データが取得されることにより、話者識別の精度を向上させることができる。また、話者識別装置２は、予め決められている複数の文章を登録対象話者に提示してもよい。この場合、登録対象話者は、提示された複数の文章を発話する。

次に、ステップＳ２において、特徴量抽出部２０２は、登録対象音声データ取得部２０１によって取得された登録対象音声データの特徴量を抽出する。

次に、ステップＳ３において、性別識別部２０５は、特徴量抽出部２０２によって抽出された登録対象音声データの特徴量を用いて登録対象音声データの話者の性別を識別する性別識別処理を行う。なお、性別識別処理については後述する。

次に、ステップＳ４において、登録部２０６は、性別識別部２０５によって識別された性別情報を対応付けた登録対象音声データを登録音声データとして登録音声データ記憶部２１２に記憶する。

図５は、図４のステップＳ３の性別識別処理の動作について説明するためのフローチャートである。

まず、ステップＳ１１において、性別識別部２０５は、性別識別モデルを性別識別モデル記憶部２０３から取得する。性別識別モデルは、複数の音声データのうちの第１音声データ及び第２音声データの各特徴量と、第１音声データ及び第２音声データの各性別ラベルの類似度とを教師データとして用いて機械学習された性別識別モデルである。なお、性別識別モデルは、複数の音声データのうちの第１音声データ及び第２音声データの各特徴量と、第１音声データ及び第２音声データの各識別情報の類似度とを教師データとして用いて機械学習された性別識別モデルであってもよい。

次に、ステップＳ１２において、性別識別部２０５は、男性音声データの特徴量を性別識別用音声データ記憶部２０４から取得する。

次に、ステップＳ１３において、性別識別部２０５は、登録対象音声データの特徴量と、男性音声データの特徴量とを性別識別モデルに入力することにより、登録対象音声データと男性音声データとの類似度を算出する。

次に、ステップＳ１４において、性別識別部２０５は、登録対象音声データと全ての男性音声データとの類似度が算出されたか否かを判定する。ここで、登録対象音声データと全ての男性音声データとの類似度が算出されていないと判定された場合（ステップＳ１４でＮＯ）、ステップＳ１２に処理が戻る。そして、性別識別部２０５は、複数の男性音声データの特徴量の中から、類似度を算出していない男性音声データの特徴量を性別識別用音声データ記憶部２０４から取得する。

一方、登録対象音声データと全ての男性音声データとの類似度が算出されたと判定された場合（ステップＳ１４でＹＥＳ）、ステップＳ１５において、性別識別部２０５は、算出した複数の類似度の平均を平均男性類似度として算出する。

次に、ステップＳ１６において、性別識別部２０５は、女性音声データの特徴量を性別識別用音声データ記憶部２０４から取得する。

次に、ステップＳ１７において、性別識別部２０５は、登録対象音声データの特徴量と、女性音声データの特徴量とを性別識別モデルに入力することにより、登録対象音声データと女性音声データとの類似度を算出する。

次に、ステップＳ１８において、性別識別部２０５は、登録対象音声データと全ての女性音声データとの類似度が算出されたか否かを判定する。ここで、登録対象音声データと全ての女性音声データとの類似度が算出されていないと判定された場合（ステップＳ１８でＮＯ）、ステップＳ１６に処理が戻る。そして、性別識別部２０５は、複数の女性音声データの特徴量の中から、類似度を算出していない女性音声データの特徴量を性別識別用音声データ記憶部２０４から取得する。

一方、登録対象音声データと全ての女性音声データとの類似度が算出されたと判定された場合（ステップＳ１８でＹＥＳ）、ステップＳ１９において、性別識別部２０５は、算出した複数の類似度の平均を平均女性類似度として算出する。

次に、ステップＳ２０において、性別識別部２０５は、平均男性類似度と平均女性類似度とのうちの高い方の性別を識別結果として登録部２０６へ出力する。

図６は、本実施の形態１における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートであり、図７は、本実施の形態１における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。

まず、ステップＳ３１において、識別対象音声データ取得部２１１は、マイクロホン１から出力された識別対象音声データを取得する。識別対象話者は、マイクロホン１に向かって発話する。マイクロホン１は、識別対象話者によって発話された音声を収集し、識別対象音声データを出力する。

次に、ステップＳ３２において、特徴量抽出部２１４は、識別対象音声データ取得部２１１によって取得された識別対象音声データの特徴量を抽出する。

次に、ステップＳ３３において、登録音声データ取得部２１３は、登録音声データを登録音声データ記憶部２１２から取得する。このとき、登録音声データ取得部２１３は、登録音声データ記憶部２１２に登録されている複数の登録音声データの中から、１の登録音声データを取得する。

次に、ステップＳ３４において、特徴量抽出部２１５は、登録音声データ取得部２１３によって取得された登録音声データの特徴量を抽出する。

次に、ステップＳ３５において、モデル選択部２１７は、登録音声データ取得部２１３によって取得された登録音声データに対応付けられている性別を取得する。

次に、ステップＳ３６において、モデル選択部２１７は、取得した性別が男性であるか否かを判定する。ここで、取得した性別が男性であると判定された場合（ステップＳ３６でＹＥＳ）、ステップＳ３７において、モデル選択部２１７は、第１話者識別モデルを選択する。モデル選択部２１７は、選択した第１話者識別モデルを話者識別モデル記憶部２１６から取得し、取得した第１話者識別モデルを類似度算出部２３１へ出力する。

一方、取得した性別が男性ではないと判定された場合、すなわち取得した性別が女性であると判定された場合（ステップＳ３６でＮＯ）、ステップＳ３８において、モデル選択部２１７は、第２話者識別モデルを選択する。モデル選択部２１７は、選択した第２話者識別モデルを話者識別モデル記憶部２１６から取得し、取得した第２話者識別モデルを類似度算出部２３１へ出力する。

次に、ステップＳ３９において、類似度算出部２３１は、識別対象音声データの特徴量と登録音声データの特徴量とを、選択された第１話者識別モデル及び第２話者識別モデルのいずれかに入力することにより、識別対象音声データと登録音声データとの類似度を算出する。

次に、ステップＳ４０において、類似度算出部２３１は、識別対象音声データと、登録音声データ記憶部２１２に記憶されている全ての登録音声データとの類似度が算出されたか否かを判定する。ここで、識別対象音声データと全ての登録音声データとの類似度が算出されていないと判定された場合（ステップＳ４０でＮＯ）、ステップＳ３３に処理が戻る。そして、登録音声データ取得部２１３は、登録音声データ記憶部２１２に記憶されている複数の登録音声データの中から、類似度が算出されていない登録音声データを取得する。

一方、識別対象音声データと全ての登録音声データとの類似度が算出されたと判定された場合（ステップＳ４０でＹＥＳ）、ステップＳ４１において、類似度判定部２３２は、最も高い類似度が閾値より大きいか否かを判定する。

ここで、最も高い類似度が閾値より大きいと判定された場合（ステップＳ４１でＹＥＳ）、ステップＳ４２において、類似度判定部２３２は、類似度が最も高い登録音声データの話者を識別対象音声データの話者として識別する。

一方、最も高い類似度が閾値以下であると判定された場合（ステップＳ４１でＮＯ）、ステップＳ４３において、類似度判定部２３２は、複数の登録音声データの中に、識別対象音声データと話者が同一である登録音声データが存在しないと判定する。

次に、ステップＳ４４において、識別結果出力部２１９は、話者識別部２１８による識別結果を出力する。識別結果出力部２１９は、識別対象音声データの話者が識別された場合、識別対象音声データの話者が予め登録されている話者であることを示すメッセージを出力する。一方、識別結果出力部２１９は、識別対象音声データの話者が識別されなかった場合、識別対象音声データの話者が予め登録されている話者ではないことを示すメッセージを出力する。

このように、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が男性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、男性用に生成された第１話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。また、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が女性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、女性用に生成された第２話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。

したがって、音声データの特徴量の分布が性別によって異なる場合であっても、それぞれの性別に特化した第１話者識別モデル及び第２話者識別モデルにより、識別対象音声データの話者が識別されるので、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる。

なお、本実施の形態１において、モデル選択部２１７は、登録音声データの話者の性別に基づいて、第１話者識別モデル及び第２話者識別モデルのいずれかを選択しているが、本開示は特にこれに限定されない。モデル選択部２１７は、識別対象音声データの話者の性別に基づいて、第１話者識別モデル及び第２話者識別モデルのいずれかを選択してもよい。この場合、話者識別装置２は、識別対象音声データの話者の性別を識別する性別識別部と、話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルを予め記憶する性別識別モデル記憶部と、識別対象音声データの話者の性別を識別するために用いる性別識別用音声データの特徴量を予め記憶する性別識別用音声データ記憶部とを備える。性別識別部、性別識別モデル記憶部及び性別識別用音声データ記憶部は、上記の性別識別部２０５、性別識別モデル記憶部２０３及び性別識別用音声データ記憶部２０４と同じ構成である。また、識別対象音声データの話者の性別が識別される場合、性別識別部２０５、性別識別モデル記憶部２０３及び性別識別用音声データ記憶部２０４は不要となる。

続いて、本実施の形態１における性別識別モデル生成装置３の性別識別モデル生成処理の動作について説明する。

図８は、本実施の形態１における性別識別モデル生成装置の性別識別モデル生成処理の動作について説明するためのフローチャートである。

まず、ステップＳ５１において、性別識別用音声データ取得部３０２は、男性及び女性のいずれかを示す性別ラベルが付与された複数の音声データを性別識別用音声データ記憶部３０１から取得する。

次に、ステップＳ５２において、特徴量抽出部３０３は、性別識別用音声データ取得部３０２によって取得された複数の音声データの特徴量を抽出する。

次に、ステップＳ５３において、性別識別モデル生成部３０４は、複数の音声データのうちの第１音声データ及び第２音声データの各特徴量と、第１音声データ及び第２音声データの各性別ラベルの類似度とを教師データとして取得する。

次に、ステップＳ５４において、性別識別モデル生成部３０４は、取得した教師データを用い、入力を２つの音声データの特徴量とし、出力を２つの音声データの類似度とする性別識別モデルを機械学習する。

次に、ステップＳ５５において、性別識別モデル生成部３０４は、複数の音声データのうちの全ての音声データの組み合わせを用いて性別識別モデルを機械学習させたか否かを判定する。ここで、全ての音声データの組み合わせを用いて性別識別モデルを機械学習させていないと判定された場合（ステップＳ５５でＮＯ）、ステップＳ５３に処理が戻る。そして、性別識別モデル生成部３０４は、複数の音声データのうちの機械学習に用いていない組み合わせの第１音声データ及び第２音声データの各特徴量と、第１音声データ及び第２音声データの各性別ラベルの類似度とを教師データとして取得する。

一方、全ての音声データの組み合わせを用いて性別識別モデルを機械学習させたと判定された場合（ステップＳ５５でＹＥＳ）、ステップＳ５６において、性別識別モデル生成部３０４は、機械学習により生成した性別識別モデルを性別識別モデル記憶部３０５に記憶する。

このように、機械学習により生成された性別識別モデルに、登録音声データ又は識別対象音声データの特徴量と、男性の音声データの特徴量とが入力されることにより、２つの音声データの第１類似度が出力される。また、性別識別モデルに、登録音声データ又は識別対象音声データの特徴量と、女性の音声データの特徴量とが入力されることにより、２つの音声データの第２類似度が出力される。そして、第１類似度と第２類似度とが比較されることにより、登録音声データ又は識別対象音声データの話者の性別を容易に推定することができる。

続いて、本実施の形態１における話者識別モデル生成装置４の話者識別モデル生成処理の動作について説明する。

図９は、本実施の形態１における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第１のフローチャートであり、図１０は、本実施の形態１における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第２のフローチャートである。

まず、ステップＳ６１において、男性音声データ取得部４０２は、男性である話者を識別するための話者識別ラベルが付与された複数の男性音声データを男性音声データ記憶部４０１から取得する。

次に、ステップＳ６２において、特徴量抽出部４０３は、男性音声データ取得部４０２によって取得された複数の男性音声データの特徴量を抽出する。

次に、ステップＳ６３において、第１話者識別モデル生成部４０４は、複数の男性音声データのうちの第１男性音声データ及び第２男性音声データの各特徴量と、第１男性音声データ及び第２男性音声データの各話者識別ラベルの類似度とを教師データとして取得する。

次に、ステップＳ６４において、第１話者識別モデル生成部４０４は、取得した教師データを用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする第１話者識別モデルを機械学習する。

次に、ステップＳ６５において、第１話者識別モデル生成部４０４は、複数の男性音声データのうちの全ての男性音声データの組み合わせを用いて第１話者識別モデルを機械学習させたか否かを判定する。ここで、全ての男性音声データの組み合わせを用いて第１話者識別モデルを機械学習させていないと判定された場合（ステップＳ６５でＮＯ）、ステップＳ６３に処理が戻る。そして、第１話者識別モデル生成部４０４は、複数の男性音声データのうちの機械学習に用いていない組み合わせの第１男性音声データ及び第２男性音声データの各特徴量と、第１男性音声データ及び第２男性音声データの各話者識別ラベルの類似度とを教師データとして取得する。

一方、全ての男性音声データの組み合わせを用いて第１話者識別モデルを機械学習させたと判定された場合（ステップＳ６５でＹＥＳ）、ステップＳ６６において、第１話者識別モデル生成部４０４は、機械学習により生成された第１話者識別モデルを第１話者識別モデル記憶部４０５に記憶する。

次に、ステップＳ６７において、女性音声データ取得部４１２は、女性である話者を識別するための話者識別ラベルが付与された複数の女性音声データを女性音声データ記憶部４１１から取得する。

次に、ステップＳ６８において、特徴量抽出部４１３は、女性音声データ取得部４１２によって取得された複数の女性音声データの特徴量を抽出する。

次に、ステップＳ６９において、第２話者識別モデル生成部４１４は、複数の女性音声データのうちの第１女性音声データ及び第２女性音声データの各特徴量と、第１女性音声データ及び第２女性音声データの各話者識別ラベルの類似度とを教師データとして取得する。

次に、ステップＳ７０において、第２話者識別モデル生成部４１４は、取得した教師データを用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする第２話者識別モデルを機械学習する。

次に、ステップＳ７１において、第２話者識別モデル生成部４１４は、複数の女性音声データのうちの全ての女性音声データの組み合わせを用いて第２話者識別モデルを機械学習させたか否かを判定する。ここで、全ての女性音声データの組み合わせを用いて第２話者識別モデルを機械学習させていないと判定された場合（ステップＳ７１でＮＯ）、ステップＳ６９に処理が戻る。そして、第２話者識別モデル生成部４１４は、複数の女性音声データのうちの機械学習に用いていない組み合わせの第１女性音声データ及び第２女性音声データの各特徴量と、第１女性音声データ及び第２女性音声データの各話者識別ラベルの類似度とを教師データとして取得する。

一方、全ての女性音声データの組み合わせを用いて第２話者識別モデルを機械学習させたと判定された場合（ステップＳ７１でＹＥＳ）、ステップＳ７２において、第２話者識別モデル生成部４１４は、機械学習により生成された第２話者識別モデルを第２話者識別モデル記憶部４１５に記憶する。

このように、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が男性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、男性用に生成された第１話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。また、識別対象音声データの話者及び登録音声データの話者のいずれかの性別が女性である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、女性用に生成された第２話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。

したがって、音声データの特徴量の分布が性別によって異なる場合であっても、男性に特化した第１話者識別モデル及び女性に特化した第２話者識別モデルにより、識別対象音声データの話者が識別されるので、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる。

続いて、本実施の形態１における話者識別装置２の話者識別性能の評価について説明する。

図１１は、従来の話者識別装置の話者識別性能評価結果と、実施の形態１の話者識別装置の話者識別性能評価結果とを示す図である。

図１１に示す性能評価結果は、ＳＲＥ１９ ｐｒｏｇｒｅｓｓ ｄａｔａｓｅｔ及びＳＲＥ１９ Ｅｅｖａｌｕａｔｉｏｎ ｄａｔａｓｅｔにより提供される音声データの話者を従来の話者識別装置及び本実施の形態１の話者識別装置２により識別した結果を表している。

ＳＲＥ１９は、アメリカ国立標準技術研究所（ＮＩＳＴ）が主催する話者識別のコンペティションである。ＳＲＥ１９ ｐｒｏｇｒｅｓｓ ｄａｔａｓｅｔ及びＳＲＥ１９ Ｅｅｖａｌｕａｔｉｏｎ ｄａｔａｓｅｔは、いずれもＳＲＥ１９によって提供されるデータセットである。

従来の話者識別装置は、男性と女性とを区別することなく生成された話者識別モデルを用いて、音声データの話者を識別した。

また、本実施の形態１の話者識別装置２は、男性用の第１話者識別モデルと女性用の第２話者識別モデルとを用いて、音声データの話者を識別した。

評価結果は、話者識別の評価に一般的に用いられるＥＥＲ（Ｅｑｕａｌ Ｅｒｒｏｒ Ｒａｔｅ）（％）と、ＮＩＳＴによって定義されたコストであるｍｉｎＣ（ｍｉｎｉｍｕｍ Ｃｏｓｔ）と、ＮＩＳＴによって定義されたコストであるａｃｔＣ（ａｃｔｕａｌ Ｃｏｓｔ）とで表した。なお、ＥＥＲ、ｍｉｎＣ及びａｃｔＣは、いずれも値が小さいほど性能が高いことを表している。

図１１に示すように、本実施の形態１の話者識別装置２のＥＥＲ、ｍｉｎＣ及びａｃｔＣは、いずれも、従来の話者識別装置のＥＥＲ、ｍｉｎＣ及びａｃｔＣよりも小さくなっている。これにより、本実施の形態１の話者識別装置２の話者識別性能は、従来の話者識別装置の話者識別性能よりも高いことが分かる。

続いて、本実施の形態１の変形例１における話者識別装置２について説明する。

本実施の形態１の変形例１における話者識別装置２は、性別識別部２０５の性別識別処理が上記と異なる。

本実施の形態１の変形例１における性別識別部２０５は、登録対象音声データの特徴量と、性別識別用音声データ記憶部２０４に予め記憶されている男性の複数の音声データの特徴量それぞれとを性別識別モデルに入力することにより、登録対象音声データと男性の複数の音声データそれぞれとの類似度を性別識別モデルから取得する。そして、性別識別部２０５は、取得した複数の類似度のうちの最大値を最大男性類似度として算出する。

また、性別識別部２０５は、登録対象音声データの特徴量と、性別識別用音声データ記憶部２０４に予め記憶されている女性の複数の音声データの特徴量それぞれとを性別識別モデルに入力することにより、登録対象音声データと女性の複数の音声データそれぞれとの類似度を性別識別モデルから取得する。そして、性別識別部２０５は、取得した複数の類似度のうちの最大値を最大女性類似度として算出する。

性別識別部２０５は、最大男性類似度が最大女性類似度より高い場合、登録対象音声データの話者の性別を男性と識別する。一方、性別識別部２０５は、最大男性類似度が最大女性類似度より低い場合、登録対象音声データの話者の性別を女性と識別する。なお、性別識別部２０５は、最大男性類似度が最大女性類似度と同じである場合、登録対象音声データの話者の性別を男性と識別してもよいし、登録対象音声データの話者の性別を女性と識別してもよい。

続いて、本実施の形態１の変形例１における性別識別処理の動作について説明する。

図１２は、本実施の形態１の変形例１における性別識別処理の動作について説明するためのフローチャートである。本実施の形態１の変形例１における性別識別処理は、図４のステップＳ３の性別識別処理の他の動作例である。

ステップＳ８１～ステップＳ８４の処理は、図５に示すステップＳ１１～ステップＳ１４の処理と同じであるので、説明を省略する。

登録対象音声データと全ての男性音声データとの類似度が算出されたと判定された場合（ステップＳ８４でＹＥＳ）、ステップＳ８５において、性別識別部２０５は、算出した複数の類似度のうちの最大値を最大男性類似度として算出する。

ステップＳ８６～ステップＳ８８の処理は、図５に示すステップＳ１６～ステップＳ１８の処理と同じであるので、説明を省略する。

登録対象音声データと全ての女性音声データとの類似度が算出されたと判定された場合（ステップＳ８８でＹＥＳ）、ステップＳ８９において、性別識別部２０５は、算出した複数の類似度のうちの最大値を最大女性類似度として算出する。

次に、ステップＳ９０において、性別識別部２０５は、最大男性類似度と最大女性類似度とのうちの高い方の性別を識別結果として登録部２０６へ出力する。

続いて、本実施の形態１の変形例２における話者識別装置２について説明する。

本実施の形態１の変形例２における話者識別装置２は、性別識別部２０５の性別識別処理が上記と異なる。

本実施の形態１の変形例２における性別識別部２０５は、予め記憶されている男性の複数の音声データの平均特徴量を算出する。そして、性別識別部２０５は、登録対象音声データの特徴量と男性の複数の音声データの平均特徴量とを性別識別モデルに入力することにより、登録対象音声データと男性の音声データ群との第１類似度を性別識別モデルから取得する。

また、性別識別部２０５は、予め記憶されている女性の複数の音声データの平均特徴量を算出する。そして、性別識別部２０５は、登録対象音声データの特徴量と女性の複数の音声データの平均特徴量とを性別識別モデルに入力することにより、登録対象音声データと女性の音声データ群との第２類似度を性別識別モデルから取得する。

性別識別部２０５は、第１類似度が第２類似度より高い場合、登録対象音声データの話者の性別を男性と識別する。一方、性別識別部２０５は、第１類似度が第２類似度より低い場合、登録対象音声データの話者の性別を女性と識別する。なお、性別識別部２０５は、第１類似度が第２類似度と同じである場合、登録対象音声データの話者の性別を男性と識別してもよいし、登録対象音声データの話者の性別を女性と識別してもよい。

続いて、本実施の形態１の変形例２における性別識別処理の動作について説明する。

図１３は、本実施の形態１の変形例２における性別識別処理の動作について説明するためのフローチャートである。本実施の形態１の変形例２における性別識別処理は、図４のステップＳ３の性別識別処理の他の動作例である。

まず、ステップＳ１０１において、性別識別部２０５は、性別識別モデルを性別識別モデル記憶部２０３から取得する。性別識別モデルは、複数の音声データのうちの第１音声データ及び第２音声データの各特徴量と、第１音声データ及び第２音声データの各性別ラベルの類似度とを教師データとして用いて機械学習された性別識別モデルである。なお、性別識別モデルは、複数の音声データのうちの第１音声データ及び第２音声データの各特徴量と、第１音声データ及び第２音声データの各識別情報の類似度とを教師データとして用いて機械学習された性別識別モデルであってもよい。

次に、ステップＳ１０２において、性別識別部２０５は、複数の男性音声データの特徴量を性別識別用音声データ記憶部２０４から取得する。

次に、ステップＳ１０３において、性別識別部２０５は、取得した複数の男性音声データの平均特徴量を算出する。

次に、ステップＳ１０４において、性別識別部２０５は、登録対象音声データの特徴量と、複数の男性音声データの平均特徴量とを性別識別モデルに入力することにより、登録対象音声データと男性音声データ群との第１類似度を算出する。

次に、ステップＳ１０５において、性別識別部２０５は、複数の女性音声データの特徴量を性別識別用音声データ記憶部２０４から取得する。

次に、ステップＳ１０６において、性別識別部２０５は、取得した複数の女性音声データの平均特徴量を算出する。

次に、ステップＳ１０７において、性別識別部２０５は、登録対象音声データの特徴量と、複数の女性音声データの平均特徴量とを性別識別モデルに入力することにより、登録対象音声データと女性音声データ群との第２類似度を算出する。

次に、ステップＳ１０８において、性別識別部２０５は、第１類似度と第２類似度とのうちの高い方の性別を識別結果として登録部２０６へ出力する。

なお、本実施の形態１における性別識別処理では、登録音声データと男性音声データとの類似度と、登録音声データと女性音声データとの類似度とが算出され、算出された２つの類似度が比較されることにより、登録音声データの性別が判定されるが、本開示は特にこれに限定されない。例えば、性別識別モデル生成部３０４は、複数の音声データのうちの１の音声データの特徴量と、１の音声データの性別ラベルとを教師データとして用い、入力を音声データの特徴量とし、出力を男性及び女性のいずれかとする性別識別モデルを機械学習により生成してもよい。この場合、性別識別モデルは、例えば、ディープニューラルネットワークモデルであり、機械学習は、例えば、ディープラーニングである。

また、性別識別モデルは、入力された音声データに対して、男性である確率及び女性である確率を算出してもよい。この場合、性別識別部２０５は、男性である確率及び女性である確率のうちの高い方の確率の性別を識別結果として出力してもよい。

また、話者識別装置２は、登録対象音声データが取得される際に、登録対象音声データの話者の性別の入力を受け付ける入力受付部を備えてもよい。この場合、登録部２０６は、登録対象音声データ取得部２０１によって取得された登録対象音声データを、入力受付部によって受け付けられた性別と対応付けて登録音声データ記憶部２１２に記憶してもよい。これにより、特徴量抽出部２０２、性別識別モデル記憶部２０３、性別識別用音声データ記憶部２０４及び性別識別部２０５が不要となり、話者識別装置２の構成を簡略化することができるとともに、話者識別装置２の登録処理にかかる負荷を低減することができる。

（実施の形態２）
上記の実施の形態１では、登録音声データ記憶部２１２に記憶されている全ての登録音声データそれぞれと、識別対象音声データとの類似度が算出され、類似度が最も高い登録音声データの話者が識別対象音声データの話者として識別される。一方、実施の形態２では、識別対象音声データの話者の識別情報が入力され、登録音声データ記憶部２１２に記憶されている複数の登録音声データのうち、当該識別情報に予め対応付けられている１の登録音声データが取得される。そして、１の登録音声データと識別対象音声データとの類似度が算出され、類似度が閾値より高い場合、登録音声データの話者が識別対象音声データの話者として識別される。

図１４は、本開示の実施の形態２における話者識別システムの構成を示す図である。

図１４に示す話者識別システムは、マイクロホン１及び話者識別装置２１を備える。なお、話者識別装置２１は、マイクロホン１を備えていなくてもよいし、備えてもよい。

なお、本実施の形態２において、実施の形態１と同じ構成については同じ符号を付し、説明を省略する。

話者識別装置２１は、登録対象音声データ取得部２０１、特徴量抽出部２０２、性別識別モデル記憶部２０３、性別識別用音声データ記憶部２０４、性別識別部２０５、登録部２０６１、識別対象音声データ取得部２１１、登録音声データ記憶部２１２１、登録音声データ取得部２１３１、特徴量抽出部２１４、特徴量抽出部２１５、話者識別モデル記憶部２１６、モデル選択部２１７、話者識別部２１８１、識別結果出力部２１９、入力受付部２２１及び識別情報取得部２２２を備える。

入力受付部２２１は、例えばキーボード、マウス及びタッチパネルなどの入力装置である。音声データの登録時において、入力受付部２２１は、音声データを登録する話者を識別するための識別情報の話者による入力を受け付ける。また、音声データの識別時において、入力受付部２２１は、識別する音声データの話者を識別するための識別情報の話者による入力を受け付ける。なお、入力受付部２２１は、カードリーダ又はＲＦＩＤ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ ＩＤｅｎｔｉｆｉｃａｔｉｏｎ）リーダなどであってもよい。この場合、話者は、識別情報が記録されたカードをカードリーダに読み取らせる、又は識別情報が記録されたＲＦＩＤタグをＲＦＩＤリーダに読み取らせる。

識別情報取得部２２２は、入力受付部２２１によって受け付けられた識別情報を取得する。音声データの登録時において、識別情報取得部２２２は、登録対象音声データの話者を識別するための識別情報を取得し、取得した識別情報を登録部２０６１へ出力する。また、音声データの識別時において、識別情報取得部２２２は、識別対象音声データの話者を識別するための識別情報を取得し、取得した識別情報を登録音声データ取得部２１３１へ出力する。

登録部２０６１は、性別識別部２０５によって識別された性別情報及び識別情報取得部２２２によって取得された識別情報を対応付けた登録対象音声データを登録音声データとして登録する。登録部２０６１は、登録音声データを登録音声データ記憶部２１２１に登録する。

登録音声データ記憶部２１２１は、性別情報及び識別情報が対応付けられた登録音声データを記憶する。登録音声データ記憶部２１２１は、複数の登録音声データを記憶する。複数の登録音声データは、複数の登録音声データそれぞれの話者を識別するための識別情報と対応付けられている。

登録音声データ取得部２１３１は、登録音声データ記憶部２１２１に登録されている複数の登録音声データの中から、識別情報取得部２２２によって取得された識別情報と一致する識別情報が対応付けられている登録音声データを取得する。

話者識別部２１８１は、類似度算出部２３１１及び類似度判定部２３２１を備える。

類似度算出部２３１１は、識別対象音声データの特徴量と登録音声データの特徴量とを、選択した第１話者識別モデル及び第２話者識別モデルのいずれかに入力することにより、識別対象音声データと登録音声データとの類似度を第１話者識別モデル及び第２話者識別モデルのいずれかから取得する。

類似度判定部２３２１は、取得した類似度が閾値よりも高い場合、登録音声データの話者を識別対象音声データの話者として識別する。

続いて、本実施の形態２における話者識別装置２１の登録処理及び話者識別処理のそれぞれの動作について説明する。

図１５は、本実施の形態２における話者識別装置の登録処理の動作について説明するためのフローチャートである。

まず、ステップＳ１２１において、識別情報取得部２２２は、入力受付部２２１によって受け付けられた話者の識別情報を取得する。入力受付部２２１は、音声データを登録する話者を識別するための識別情報の話者による入力を受け付け、受け付けた識別情報を識別情報取得部２２２へ出力する。識別情報取得部２２２は、登録対象音声データの話者を識別するための識別情報を登録部２０６１へ出力する。

次に、ステップＳ１２２において、登録対象音声データ取得部２０１は、マイクロホン１から出力された登録対象音声データを取得する。識別情報を入力した、自身が発話した音声データの登録を希望する話者は、マイクロホン１に向かって所定の文章を発話する。

ステップＳ１２３及びステップＳ１２４の処理は、図４に示すステップＳ２及びステップＳ３の処理と同じであるので、説明を省略する。

次に、ステップＳ１２５において、登録部２０６１は、性別識別部２０５によって識別された性別情報及び識別情報取得部２２２によって取得された識別情報を対応付けた登録対象音声データを登録音声データとして登録音声データ記憶部２１２１に記憶する。これにより、登録音声データ記憶部２１２１は、性別情報及び識別情報を対応付けた登録音声データを記憶する。

図１６は、本実施の形態２における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートであり、図１７は、本実施の形態２における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。

まず、ステップＳ１３１において、識別情報取得部２２２は、入力受付部２２１によって受け付けられた話者の識別情報を取得する。入力受付部２２１は、識別する音声データの話者を識別するための識別情報の話者による入力を受け付け、受け付けた識別情報を識別情報取得部２２２へ出力する。識別情報取得部２２２は、識別対象音声データの話者を識別するための識別情報を登録音声データ取得部２１３１へ出力する。

次に、ステップＳ１３２において、登録音声データ取得部２１３１は、識別情報取得部２２２によって取得された識別情報と一致する識別情報が登録音声データ記憶部２１２１にあるか否かを判定する。ここで、取得された識別情報と一致する識別情報が登録音声データ記憶部２１２１にないと判定された場合（ステップＳ１３２でＮＯ）、話者識別処理が終了する。なお、取得された識別情報と一致する識別情報が登録音声データ記憶部２１２１にないと判定された場合、識別結果出力部２１９は、入力された識別情報が登録されていないことを話者に通知するための通知情報を出力してもよい。また、取得された識別情報と一致する識別情報が登録音声データ記憶部２１２１にないと判定された場合、識別結果出力部２１９は、音声データの登録を話者に促すための通知情報を出力してもよい。

一方、取得された識別情報と一致する識別情報が登録音声データ記憶部２１２１にあると判定された場合（ステップＳ１３２でＹＥＳ）、ステップＳ１３３において、識別対象音声データ取得部２１１は、マイクロホン１から出力された識別対象音声データを取得する。

次に、ステップＳ１３４において、特徴量抽出部２１４は、識別対象音声データ取得部２１１によって取得された識別対象音声データの特徴量を抽出する。

次に、ステップＳ１３５において、登録音声データ取得部２１３１は、登録音声データ記憶部２１２１に登録されている複数の登録音声データの中から、識別情報取得部２２２によって取得された識別情報と一致する識別情報が対応付けられている登録音声データを取得する。

ステップＳ１３６～ステップＳ１４１の処理は、図６に示すステップＳ３４～ステップＳ３９の処理と同じであるので、説明を省略する。

次に、ステップＳ１４２において、類似度判定部２３２１は、類似度算出部２３１１によって算出された類似度が閾値より大きいか否かを判定する。

ここで、類似度算出部２３１１によって算出された類似度が閾値より大きいと判定された場合（ステップＳ１４２でＹＥＳ）、ステップＳ１４３において、類似度判定部２３２１は、登録音声データの話者を識別対象音声データの話者として識別する。

一方、類似度算出部２３１１によって算出された類似度が閾値以下であると判定された場合（ステップＳ１４２でＮＯ）、ステップＳ１４４において、類似度判定部２３２１は、識別対象音声データの話者が登録音声データの話者ではないと判定する。

次に、ステップＳ１４５において、識別結果出力部２１９は、話者識別部２１８１による識別結果を出力する。識別結果出力部２１９は、識別対象音声データの話者が識別された場合、識別対象音声データの話者が予め登録されている話者であることを示すメッセージを出力する。一方、識別結果出力部２１９は、識別対象音声データの話者が識別されなかった場合、識別対象音声データの話者が予め登録されている話者ではないことを示すメッセージを出力する。

このように、本実施の形態２では、識別情報に対応付けられている登録音声データと識別対象音声データとの類似度のみが算出される。したがって、複数の登録音声データそれぞれと識別対象音声データとの複数の類似度が算出される実施の形態１と比較して、実施の形態２では、類似度算出の処理負荷を低減することができる。

（実施の形態３）
上記の実施の形態１及び実施の形態２では、登録音声データの話者の性別に応じて第１話者識別モデルと第２話者識別モデルとのいずれかが選択されるが、２つの異なる第１話者識別モデルと第２話者識別モデルとが用いられる場合、第１話者識別モデルと第２話者識別モデルとの出力値の範囲が異なるおそれがある。そこで、実施の形態３では、音声データの登録時において、第１話者識別モデル及び第２話者識別モデルのそれぞれに対し、同一の話者を識別することが可能な第１閾値及び第２閾値が算出され、算出された第１閾値及び第２閾値が記憶される。また、音声データの識別時において、算出された識別対象音声データと登録音声データとの類似度から第１閾値又は第２閾値が減算されることにより類似度が補正される。そして、補正された類似度が第１話者識別モデル及び第２話者識別モデルに共通の第３閾値と比較されることにより、識別対象音声データの話者が識別される。

まず、本開示の実施の形態３における話者識別モデル生成装置について説明する。

図１８は、本開示の実施の形態３における話者識別モデル生成装置の構成を示す図である。

図１８に示す話者識別モデル生成装置４１は、男性音声データ記憶部４０１、男性音声データ取得部４０２、特徴量抽出部４０３、第１話者識別モデル生成部４０４、第１話者識別モデル記憶部４０５、第１話者識別部４０６、第１閾値算出部４０７、閾値記憶部４０８、女性音声データ記憶部４１１、女性音声データ取得部４１２、特徴量抽出部４１３、第２話者識別モデル生成部４１４、第２話者識別モデル記憶部４１５、第２話者識別部４１６及び第２閾値算出部４１７を備える。

なお、本実施の形態３において、実施の形態１及び実施の形態２と同じ構成については同じ符号を付し、説明を省略する。

第１話者識別部４０６は、男性の複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせを第１話者識別モデルに入力することにより、２つの音声データの複数の組み合わせそれぞれの類似度を第１話者識別モデルから取得する。

第１閾値算出部４０７は、同一話者の２つの音声データの類似度と、互いに異なる話者の２つの音声データの類似度とを識別可能な第１閾値を算出する。第１閾値算出部４０７は、第１話者識別部４０６によって算出された複数の類似度を回帰分析することにより、第１閾値を算出する。

第２話者識別部４１６は、女性の複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせを第２話者識別モデルに入力することにより、２つの音声データの複数の組み合わせそれぞれの類似度を第２話者識別モデルから取得する。

第２閾値算出部４１７は、同一話者の２つの音声データの類似度と、互いに異なる話者の２つの音声データの類似度とを識別可能な第２閾値を算出する。第２閾値算出部４１７は、第２話者識別部４１６によって算出された複数の類似度を回帰分析することにより、第２閾値を算出する。

閾値記憶部４０８は、第１閾値算出部４０７によって算出された第１閾値と、第２閾値算出部４１７によって算出された第２閾値とを記憶する。

続いて、本開示の実施の形態３における話者識別システムについて説明する。

図１９は、本開示の実施の形態３における話者識別システムの構成を示す図である。

図１９に示す話者識別システムは、マイクロホン１及び話者識別装置２２を備える。なお、話者識別装置２２は、マイクロホン１を備えていなくてもよいし、備えてもよい。

なお、本実施の形態３において、実施の形態１及び実施の形態２と同じ構成については同じ符号を付し、説明を省略する。

話者識別装置２２は、登録対象音声データ取得部２０１、特徴量抽出部２０２、性別識別モデル記憶部２０３、性別識別用音声データ記憶部２０４、性別識別部２０５、登録部２０６１、識別対象音声データ取得部２１１、登録音声データ記憶部２１２１、登録音声データ取得部２１３１、特徴量抽出部２１４、特徴量抽出部２１５、話者識別モデル記憶部２１６、モデル選択部２１７、話者識別部２１８２、識別結果出力部２１９、入力受付部２２１、識別情報取得部２２２及び閾値記憶部２２３を備える。

話者識別部２１８２は、類似度算出部２３１１、類似度補正部２３３及び類似度判定部２３２２を備える。

類似度補正部２３３は、第１話者識別モデルから類似度を取得した場合、取得した類似度から第１閾値を減算する。また、類似度補正部２３３は、第２話者識別モデルから類似度を取得した場合、取得した類似度から第２閾値を減算する。類似度補正部２３３は、類似度算出部２３１１によって第１話者識別モデルを用いて類似度が算出された場合、閾値記憶部２２３から第１閾値を読み出し、算出された類似度から第１閾値を減算する。また、類似度補正部２３３は、類似度算出部２３１１によって第２話者識別モデルを用いて類似度が算出された場合、閾値記憶部２２３から第２閾値を読み出し、算出された類似度から第２閾値を減算する。

閾値記憶部２２３は、第１話者識別モデルを用いて算出された類似度を補正するための第１閾値と、第２話者識別モデルを用いて算出された類似度を補正するための第２閾値とを予め記憶する。閾値記憶部２２３は、話者識別モデル生成装置４１によって生成された第１閾値及び第２閾値を予め記憶する。

なお、話者識別モデル生成装置４１は、閾値記憶部４０８に記憶された第１閾値及び第２閾値を話者識別装置２２へ送信してもよい。話者識別装置２２は、受信した第１閾値及び第２閾値を閾値記憶部２２３に記憶してもよい。また、話者識別装置２２の製造時において、話者識別モデル生成装置４１によって生成された第１閾値及び第２閾値が閾値記憶部２２３に記憶されてもよい。

類似度判定部２３２２は、類似度補正部２３３によって第１閾値又は第２閾値が減算された類似度が第３閾値よりも高い場合、登録音声データの話者を識別対象音声データの話者として識別する。

続いて、本実施の形態３における話者識別モデル生成装置４１の話者識別モデル生成処理の動作について説明する。

図２０は、本実施の形態３における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第１のフローチャートであり、図２１は、本実施の形態３における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第２のフローチャートであり、図２２は、本実施の形態３における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第３のフローチャートである。

ステップＳ１５１～ステップＳ１５６の処理は、図９に示すステップＳ６１～ステップＳ６６の処理と同じであるので、説明を省略する。

次に、ステップＳ１５７において、第１話者識別部４０６は、第１話者識別モデル記憶部４０５から第１話者識別モデルを取得する。

次に、ステップＳ１５８において、第１話者識別部４０６は、特徴量抽出部４０３によって抽出された複数の男性音声データの特徴量の中から、２つの男性音声データの特徴量を取得する。

次に、ステップＳ１５９において、第１話者識別部４０６は、取得した２つの男性音声データの特徴量を第１話者識別モデルに入力することにより、２つの男性音声データの類似度を算出する。なお、２つの男性音声データは、１人の話者によって発話された２つの男性音声データと、２人の話者によって発話された２つの男性音声データとのいずれかである。このとき、２つの男性音声データが１人の話者によって発話された男性音声データである場合の類似度は、２つの男性音声データが２人の話者によって発話された男性音声データである場合の類似度よりも高くなる。

次に、ステップＳ１６０において、第１話者識別部４０６は、全ての男性音声データの組み合わせの類似度が算出されたか否かを判定する。ここで、全ての男性音声データの組み合わせの類似度が算出されていないと判定された場合（ステップＳ１６０でＮＯ）、ステップＳ１５８に処理が戻る。そして、第１話者識別部４０６は、複数の男性音声データの特徴量の中から、類似度を算出していない２つの男性音声データの特徴量を特徴量抽出部４０３から取得する。

一方、全ての男性音声データの組み合わせの類似度が算出されたと判定された場合（ステップＳ１６０でＹＥＳ）、ステップＳ１６１において、第１閾値算出部４０７は、第１話者識別部４０６によって算出された複数の類似度を回帰分析することにより、同一話者の２つの男性音声データの類似度と、互いに異なる話者の２つの男性音声データの類似度とを識別可能な第１閾値を算出する。

次に、ステップＳ１６２において、第１閾値算出部４０７は、算出した第１閾値を閾値記憶部４０８に記憶する。

ステップＳ１６３～ステップＳ１６８の処理は、図９及び図１０に示すステップＳ６７～ステップＳ７２の処理と同じであるので、説明を省略する。

次に、ステップＳ１６９において、第２話者識別部４１６は、第２話者識別モデル記憶部４１５から第２話者識別モデルを取得する。

次に、ステップＳ１７０において、第２話者識別部４１６は、特徴量抽出部４１３によって抽出された複数の女性音声データの特徴量の中から、２つの女性音声データの特徴量を取得する。

次に、ステップＳ１７１において、第２話者識別部４１６は、取得した２つの女性音声データの特徴量を第２話者識別モデルに入力することにより、２つの女性音声データの類似度を算出する。なお、２つの女性音声データは、１人の話者によって発話された２つの女性音声データと、２人の話者によって発話された２つの女性音声データとのいずれかである。このとき、２つの女性音声データが１人の話者によって発話された女性音声データである場合の類似度は、２つの女性音声データが２人の話者によって発話された女性音声データである場合の類似度よりも高くなる。

次に、ステップＳ１７２において、第２話者識別部４１６は、全ての女性音声データの組み合わせの類似度が算出されたか否かを判定する。ここで、全ての女性音声データの組み合わせの類似度が算出されていないと判定された場合（ステップＳ１７２でＮＯ）、ステップＳ１７０に処理が戻る。そして、第２話者識別部４１６は、複数の女性音声データの特徴量の中から、類似度を算出していない２つの女性音声データの特徴量を特徴量抽出部４１３から取得する。

一方、全ての女性音声データの組み合わせの類似度が算出されたと判定された場合（ステップＳ１７２でＹＥＳ）、ステップＳ１７３において、第２閾値算出部４１７は、第２話者識別部４１６によって算出された複数の類似度を回帰分析することにより、同一話者の２つの女性音声データの類似度と、互いに異なる話者の２つの女性音声データの類似度とを識別可能な第２閾値を算出する。

次に、ステップＳ１７４において、第２閾値算出部４１７は、算出した第２閾値を閾値記憶部４０８に記憶する。

続いて、本実施の形態３における話者識別装置２２の話者識別処理の動作について説明する。

図２３は、本実施の形態３における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートであり、図２４は、本実施の形態３における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。

ステップＳ１８１～ステップＳ１９１の処理は、図１６及び図１７に示すステップＳ１３１～ステップＳ１４１の処理と同じであるので、説明を省略する。

次に、ステップＳ１９２において、類似度補正部２３３は、閾値記憶部２２３から第１閾値又は第２閾値を取得する。このとき、モデル選択部２１７によって第１話者識別モデルが選択された場合、類似度補正部２３３は、閾値記憶部２２３から第１閾値を取得する。また、モデル選択部２１７によって第２話者識別モデルが選択された場合、類似度補正部２３３は、閾値記憶部２２３から第２閾値を取得する。

次に、ステップＳ１９３において、類似度補正部２３３は、取得した第１閾値又は第２閾値を用いて、類似度算出部２３１１によって算出された類似度を補正する。このとき、類似度補正部２３３は、類似度算出部２３１１によって算出された類似度から、第１閾値又は第２閾値を減算する。

次に、ステップＳ１９４において、類似度判定部２３２２は、類似度補正部２３３によって補正された類似度が第３閾値より大きいか否かを判定する。なお、第３閾値は、例えば０である。類似度判定部２３２２は、補正された類似度が０より大きい場合、識別対象音声データが予め登録されている登録音声データと一致すると判定し、補正された類似度が０以下である場合、識別対象音声データが予め登録されている登録音声データと一致しないと判定する。

ここで、類似度補正部２３３によって補正された類似度が第３閾値より大きいと判定された場合（ステップＳ１９４でＹＥＳ）、ステップＳ１９５において、類似度判定部２３２２は、登録音声データの話者を識別対象音声データの話者として識別する。

一方、類似度補正部２３３によって補正された類似度が第３閾値以下であると判定された場合（ステップＳ１９４でＮＯ）、ステップＳ１９６において、類似度判定部２３２２は、識別対象音声データの話者が登録音声データの話者ではないと判定する。

ステップＳ１９７の処理は、図１７に示すステップＳ１４５の処理と同じであるので、説明を省略する。

２つの異なる第１話者識別モデルと第２話者識別モデルとが用いられる場合、第１話者識別モデルと第２話者識別モデルとの出力値の範囲が異なるおそれがある。そこで、本実施の形態３では、登録時において、第１話者識別モデル及び第２話者識別モデルのそれぞれに対し、同一の話者を識別することが可能な第１閾値及び第２閾値が算出される。また、話者識別時において、算出された識別対象音声データと登録音声データとの類似度から第１閾値又は第２閾値が減算されることにより類似度が補正される。そして、補正された類似度が第１話者識別モデル及び第２話者識別モデルに共通の第３閾値と比較されることにより、識別対象音声データの話者をより高い精度で識別することができる。

（実施の形態４）
発話時間が長いほど発話内の情報量が多いため、話者の識別が容易であり、本人同士の登録音声データと識別対象音声データとの類似度が高くなりやすい。一方、発話時間が短いほど発話内の情報量が少なくなるため、話者の識別が困難であり、本人同士の登録音声データと識別対象音声データとであっても類似度が低くなるおそれがある。そのため、発話時間が長い音声データを用いて機械学習した話者識別モデルにより、発話時間が短い識別対象音声データの話者を識別した場合、話者識別の精度が低下するおそれがある。

そこで、実施の形態４に係る話者識別方法は、コンピュータが、識別対象音声データを取得し、予め登録されている登録音声データを取得し、識別対象音声データの特徴量を抽出し、登録音声データの特徴量を抽出し、識別対象音声データの話者及び登録音声データの話者の少なくとも一方の発話時間が所定時間以上である場合、発話時間が所定時間以上の話者を識別するために発話時間が所定時間以上である音声データを用いて機械学習された第３話者識別モデルを選択し、識別対象音声データの話者及び登録音声データの話者の少なくとも一方の発話時間が所定時間より短い場合、発話時間が所定時間より短い話者を識別するために発話時間が所定時間より短い音声データを用いて機械学習された第４話者識別モデルを選択し、識別対象音声データの特徴量と登録音声データの特徴量とを、選択した第３話者識別モデル及び第４話者識別モデルのいずれかに入力することにより、識別対象音声データの話者を識別する。

図２５は、本開示の実施の形態４における話者識別システムの構成を示す図である。

図２５に示す話者識別システムは、マイクロホン１及び話者識別装置２４を備える。なお、話者識別装置２４は、マイクロホン１を備えていなくてもよいし、備えてもよい。

なお、本実施の形態４において、実施の形態１と同じ構成については同じ符号を付し、説明を省略する。

話者識別装置２４は、登録対象音声データ取得部２０１、発話時間計測部２０７、登録部２０６４、識別対象音声データ取得部２１１、登録音声データ記憶部２１２４、登録音声データ取得部２１３、特徴量抽出部２１４、特徴量抽出部２１５、話者識別モデル記憶部２１６４、モデル選択部２１７４、話者識別部２１８４及び識別結果出力部２１９を備える。

発話時間計測部２０７は、登録対象音声データ取得部２０１によって取得された登録対象音声データの発話時間を計測する。なお、発話時間は、登録対象音声データ取得部２０１によって登録対象音声データの取得が開始された時刻から登録対象音声データの取得が終了された時刻までの時間である。

登録部２０６４は、発話時間計測部２０７によって計測された発話時間を示す発話時間情報を対応付けた登録対象音声データを登録音声データとして登録する。登録部２０６４は、登録音声データを登録音声データ記憶部２１２４に登録する。

なお、話者識別装置２４は、登録対象音声データの話者に関する情報の入力を受け付ける入力受付部をさらに備えてもよい。そして、登録部２０６４は、話者に関する情報に対応付けて登録音声データを登録音声データ記憶部２１２４に登録してもよい。話者に関する情報は、例えば、話者の名前などである。

登録音声データ記憶部２１２４は、発話時間情報が対応付けられた登録音声データを記憶する。登録音声データ記憶部２１２４は、複数の登録音声データを記憶する。

話者識別モデル記憶部２１６４は、発話時間が所定時間以上の話者を識別するために発話時間が所定時間以上である音声データを用いて機械学習された第３話者識別モデルと、発話時間が所定時間より短い話者を識別するために発話時間が所定時間より短い音声データを用いて機械学習された第４話者識別モデルとを予め記憶する。話者識別モデル記憶部２１６４は、後述する話者識別モデル生成装置４４によって生成された第３話者識別モデル及び第４話者識別モデルを予め記憶する。なお、第３話者識別モデル及び第４話者識別モデルの生成方法については後述する。

モデル選択部２１７４は、識別対象音声データの話者及び登録音声データの話者の少なくとも一方の発話時間が所定時間以上である場合、発話時間が所定時間以上の話者を識別するために発話時間が所定時間以上である音声データを用いて機械学習された第３話者識別モデルを選択する。また、モデル選択部２１７４は、識別対象音声データの話者及び登録音声データの話者の少なくとも一方の発話時間が所定時間より短い場合、発話時間が所定時間より短い話者を識別するために発話時間が所定時間より短い音声データを用いて機械学習された第４話者識別モデルを選択する。

本実施の形態４において、モデル選択部２１７４は、登録音声データの話者の発話時間が所定時間以上である場合、第３話者識別モデルを選択し、登録音声データの話者の発話時間が所定時間より短い場合、第４話者識別モデルを選択する。登録音声データには、予め発話時間が対応付けられている。そのため、モデル選択部２１７４は、登録音声データに対応付けられている発話時間が所定時間以上である場合、第３話者識別モデルを選択し、登録音声データに対応付けられている発話時間が所定時間より短い場合、第４話者識別モデルを選択する。なお、所定時間は、例えば６０秒である。

話者識別部２１８４は、識別対象音声データの特徴量と登録音声データの特徴量とを、モデル選択部２１７４によって選択された第３話者識別モデル及び第４話者識別モデルのいずれかに入力することにより、識別対象音声データの話者を識別する。

話者識別部２１８４は、類似度算出部２３１４及び類似度判定部２３２を備える。

類似度算出部２３１４は、識別対象音声データの特徴量と複数の登録音声データの特徴量それぞれとを、選択された第３話者識別モデル及び第４話者識別モデルのいずれかに入力することにより、識別対象音声データと複数の登録音声データそれぞれとの類似度を第３話者識別モデル及び第４話者識別モデルのいずれかから取得する。

続いて、本開示の実施の形態４における話者識別モデル生成装置について説明する。

図２６は、本開示の実施の形態４における話者識別モデル生成装置の構成を示す図である。

図２６に示す話者識別モデル生成装置４４は、長時間音声データ記憶部４２１、長時間音声データ取得部４２２、特徴量抽出部４２３、第３話者識別モデル生成部４２４、第３話者識別モデル記憶部４２５、短時間音声データ記憶部４３１、短時間音声データ取得部４３２、特徴量抽出部４３３、第４話者識別モデル生成部４３４及び第４話者識別モデル記憶部４３５を備える。

長時間音声データ取得部４２２、特徴量抽出部４２３、第３話者識別モデル生成部４２４、短時間音声データ取得部４３２、特徴量抽出部４３３及び第４話者識別モデル生成部４３４は、プロセッサにより実現される。長時間音声データ記憶部４２１、第３話者識別モデル記憶部４２５、短時間音声データ記憶部４３１及び第４話者識別モデル記憶部４３５は、メモリにより実現される。

長時間音声データ記憶部４２１は、話者を識別するための話者識別ラベルが付与された、発話時間が所定時間以上である複数の長時間音声データを記憶する。長時間音声データは、発話時間が所定時間以上である音声データである。長時間音声データ記憶部４２１は、複数の話者毎に互いに異なる複数の長時間音声データを記憶する。

長時間音声データ取得部４２２は、話者を識別するための話者識別ラベルが付与された複数の長時間音声データを長時間音声データ記憶部４２１から取得する。なお、本実施の形態４では、長時間音声データ取得部４２２は、複数の長時間音声データを長時間音声データ記憶部４２１から取得しているが、本開示は特にこれに限定されず、ネットワークを介して外部機器から複数の長時間音声データを取得（受信）してもよい。

特徴量抽出部４２３は、長時間音声データ取得部４２２によって取得された複数の長時間音声データの特徴量を抽出する。特徴量は、例えばｉ－ｖｅｃｔｏｒである。

第３話者識別モデル生成部４２４は、複数の長時間音声データのうちの第１長時間音声データ及び第２長時間音声データの各特徴量と、第１長時間音声データ及び第２長時間音声データの各話者識別ラベルの類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする第３話者識別モデルを機械学習により生成する。例えば、第３話者識別モデルは、第１長時間音声データの話者識別ラベルと第２長時間音声データの話者識別ラベルとが同じであれば、最も高い類似度が出力され、第１長時間音声データの話者識別ラベルと第２長時間音声データの話者識別ラベルとが異なっていれば、最も低い類似度が出力されるように機械学習される。

第３話者識別モデルとしては、ＰＬＤＡによるモデルが用いられる。ＰＬＤＡモデルは、４００次元のｉ－ｖｅｃｔｏｒ（特徴量）から話者の識別に有効な特徴量を自動的に選択し、対数尤度比を類似度として算出する。

なお、機械学習としては、例えば、入力情報に対してラベル（出力情報）が付与された教師データを用いて入力と出力との関係を学習する教師あり学習、ラベルのない入力のみからデータの構造を構築する教師なし学習、ラベルありとラベルなしとのどちらも扱う半教師あり学習、報酬を最大化する行動を試行錯誤により学習する強化学習なども挙げられる。また、機械学習の具体的な手法としては、ニューラルネットワーク（多層のニューラルネットワークを用いた深層学習を含む）、遺伝的プログラミング、決定木、ベイジアン・ネットワーク、又はサポート・ベクター・マシン（ＳＶＭ）などが存在する。第３話者識別モデルの機械学習においては、以上で挙げた具体例のいずれかを用いればよい。

第３話者識別モデル記憶部４２５は、第３話者識別モデル生成部４２４によって生成された第３話者識別モデルを記憶する。

短時間音声データ記憶部４３１は、話者を識別するための話者識別ラベルが付与された、発話時間が所定時間より短い複数の短時間音声データを記憶する。短時間音声データは、発話時間が所定時間より短い音声データである。短時間音声データ記憶部４３１は、複数の話者毎に互いに異なる複数の短時間音声データを記憶する。

短時間音声データ取得部４３２は、話者を識別するための話者識別ラベルが付与された複数の短時間音声データを短時間音声データ記憶部４３１から取得する。なお、本実施の形態４では、短時間音声データ取得部４３２は、複数の短時間音声データを短時間音声データ記憶部４３１から取得しているが、本開示は特にこれに限定されず、ネットワークを介して外部機器から複数の短時間音声データを取得（受信）してもよい。

特徴量抽出部４３３は、短時間音声データ取得部４３２によって取得された複数の短時間音声データの特徴量を抽出する。特徴量は、例えばｉ－ｖｅｃｔｏｒである。

第４話者識別モデル生成部４３４は、複数の短時間音声データのうちの第１短時間音声データ及び第２短時間音声データの各特徴量と、第１短時間音声データ及び第２短時間音声データの各話者識別ラベルの類似度とを教師データとして用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする第４話者識別モデルを機械学習により生成する。例えば、第４話者識別モデルは、第１短時間音声データの話者識別ラベルと第２短時間音声データの話者識別ラベルとが同じであれば、最も高い類似度が出力され、第１短時間音声データの話者識別ラベルと第２短時間音声データの話者識別ラベルとが異なっていれば、最も低い類似度が出力されるように機械学習される。

第４話者識別モデルとしては、ＰＬＤＡによるモデルが用いられる。ＰＬＤＡモデルは、４００次元のｉ－ｖｅｃｔｏｒ（特徴量）から話者の識別に有効な特徴量を自動的に選択し、対数尤度比を類似度として算出する。

なお、機械学習としては、例えば、入力情報に対してラベル（出力情報）が付与された教師データを用いて入力と出力との関係を学習する教師あり学習、ラベルのない入力のみからデータの構造を構築する教師なし学習、ラベルありとラベルなしとのどちらも扱う半教師あり学習、報酬を最大化する行動を試行錯誤により学習する強化学習なども挙げられる。また、機械学習の具体的な手法としては、ニューラルネットワーク（多層のニューラルネットワークを用いた深層学習を含む）、遺伝的プログラミング、決定木、ベイジアン・ネットワーク、又はサポート・ベクター・マシン（ＳＶＭ）などが存在する。第４話者識別モデルの機械学習においては、以上で挙げた具体例のいずれかを用いればよい。

第４話者識別モデル記憶部４３５は、第４話者識別モデル生成部４３４によって生成された第４話者識別モデルを記憶する。

なお、話者識別モデル生成装置４４は、第３話者識別モデル記憶部４２５に記憶された第３話者識別モデル及び第４話者識別モデル記憶部４３５に記憶された第４話者識別モデルを話者識別装置２４へ送信してもよい。話者識別装置２４は、受信した第３話者識別モデル及び第４話者識別モデルを話者識別モデル記憶部２１６４に記憶してもよい。また、話者識別装置２４の製造時において、話者識別モデル生成装置４４によって生成された第３話者識別モデル及び第４話者識別モデルが話者識別装置２４に記憶されてもよい。

続いて、本実施の形態４における話者識別装置２４の登録処理及び話者識別処理のそれぞれの動作について説明する。

図２７は、本実施の形態４における話者識別装置の登録処理の動作について説明するためのフローチャートである。

まず、ステップＳ２０１において、登録対象音声データ取得部２０１は、マイクロホン１から出力された登録対象音声データを取得する。自身が発話した音声データの登録を希望する話者は、マイクロホン１に向かって所定の文章を発話する。このとき、所定の文章は、発話時間が所定時間以上になる文章、及び発話時間が所定時間より短くなる文章のいずれかである。話者識別装置２４は、予め決められている複数の文章を登録対象話者に提示してもよい。この場合、登録対象話者は、提示された複数の文章を発話する。

次に、ステップＳ２０２において、発話時間計測部２０７は、登録対象音声データ取得部２０１によって取得された登録対象音声データの発話時間を計測する。

次に、ステップＳ２０３において、登録部２０６４は、発話時間計測部２０７によって計測された発話時間を示す発話時間情報を対応付けた登録対象音声データを登録音声データとして登録音声データ記憶部２１２４に記憶する。

図２８は、本実施の形態４における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートであり、図２９は、本実施の形態４における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。

ステップＳ２１１～ステップＳ２１４の処理は、図６に示すステップＳ３１～ステップＳ３４の処理と同じであるので、説明を省略する。

次に、ステップＳ２１５において、モデル選択部２１７４は、登録音声データ取得部２１３によって取得された登録音声データに対応付けられている発話時間を取得する。

次に、ステップＳ２１６において、モデル選択部２１７４は、取得した発話時間が所定時間以上であるか否かを判定する。ここで、取得した発話時間が所定時間以上であると判定された場合（ステップＳ２１６でＹＥＳ）、ステップＳ２１７において、モデル選択部２１７４は、第３話者識別モデルを選択する。モデル選択部２１７４は、選択した第３話者識別モデルを話者識別モデル記憶部２１６４から取得し、取得した第３話者識別モデルを類似度算出部２３１４へ出力する。

一方、取得した発話時間が所定時間以上ではないと判定された場合、すなわち取得した発話時間が所定時間より短いと判定された場合（ステップＳ２１６でＮＯ）、ステップＳ２１８において、モデル選択部２１７４は、第４話者識別モデルを選択する。モデル選択部２１７４は、選択した第４話者識別モデルを話者識別モデル記憶部２１６４から取得し、取得した第４話者識別モデルを類似度算出部２３１４へ出力する。

次に、ステップＳ２１９において、類似度算出部２３１４は、識別対象音声データの特徴量と登録音声データの特徴量とを、選択された第３話者識別モデル及び第４話者識別モデルのいずれかに入力することにより、識別対象音声データと登録音声データとの類似度を算出する。

次に、ステップＳ２２０において、類似度算出部２３１４は、識別対象音声データと、登録音声データ記憶部２１２４に記憶されている全ての登録音声データとの類似度が算出されたか否かを判定する。ここで、識別対象音声データと全ての登録音声データとの類似度が算出されていないと判定された場合（ステップＳ２２０でＮＯ）、ステップＳ２１３に処理が戻る。そして、登録音声データ取得部２１３は、登録音声データ記憶部２１２４に記憶されている複数の登録音声データの中から、類似度が算出されていない登録音声データを取得する。

一方、識別対象音声データと全ての登録音声データとの類似度が算出されたと判定された場合（ステップＳ２２０でＹＥＳ）、ステップＳ２２１において、類似度判定部２３２は、最も高い類似度が閾値より大きいか否かを判定する。

なお、ステップＳ２２１～ステップＳ２２４の処理は、図７に示すステップＳ４１～ステップＳ４４の処理と同じであるので、説明を省略する。

このように、識別対象音声データの話者及び登録音声データの話者の少なくとも一方の発話時間が所定時間以上である場合、識別対象音声データの特徴量と登録音声データの特徴量とが、発話時間が所定時間以上である音声データを用いて機械学習された第３話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。また、識別対象音声データの話者及び登録音声データの話者の少なくとも一方の発話時間が所定時間より短い場合、識別対象音声データの特徴量と登録音声データの特徴量とが、発話時間が所定時間より短い音声データを用いて機械学習された第４話者識別モデルに入力されることにより、識別対象音声データの話者が識別される。

したがって、識別対象音声データ及び登録音声データの少なくとも一方の発話時間の長さに応じた第３話者識別モデル及び第４話者識別モデルにより、識別対象音声データの話者が識別されるので、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができる。

なお、本実施の形態４において、モデル選択部２１７４は、登録音声データに対応付けられている発話時間に基づいて、第３話者識別モデル及び第４話者識別モデルのいずれかを選択しているが、本開示は特にこれに限定されない。話者識別装置２４は、登録音声データ取得部２１３によって取得された登録音声データの話者の発話時間を計測する発話時間計測部を備えてもよい。発話時間計測部は、計測した発話時間をモデル選択部２１７４へ出力してもよい。なお、登録音声データ取得部２１３によって取得された登録音声データの話者の発話時間が計測される場合、発話時間計測部２０７は不要となり、登録部２０６４は、登録対象音声データ取得部２０１によって取得された登録対象音声データのみを登録音声データとして登録音声データ記憶部２１２４に記憶してもよい。

また、本実施の形態４において、モデル選択部２１７４は、登録音声データの話者の発話時間に基づいて、第３話者識別モデル及び第４話者識別モデルのいずれかを選択しているが、本開示は特にこれに限定されない。モデル選択部２１７４は、識別対象音声データの話者の発話時間に基づいて、第３話者識別モデル及び第４話者識別モデルのいずれかを選択してもよい。この場合、話者識別装置２４は、識別対象音声データの話者の発話時間を計測する発話時間計測部を備えてもよい。発話時間計測部は、識別対象音声データ取得部２１１によって取得された識別対象音声データの発話時間を計測し、計測した発話時間をモデル選択部２１７４へ出力してもよい。モデル選択部２１７４は、識別対象音声データの話者の発話時間が所定時間以上である場合、第３話者識別モデルを選択し、識別対象音声データの話者の発話時間が所定時間より短い場合、第４話者識別モデルを選択してもよい。なお、所定時間は、例えば３０秒である。また、識別対象音声データの話者の発話時間が計測される場合、発話時間計測部２０７は不要となり、登録部２０６４は、登録対象音声データ取得部２０１によって取得された登録対象音声データのみを登録音声データとして登録音声データ記憶部２１２４に記憶してもよい。

また、本実施の形態４において、モデル選択部２１７４は、登録音声データの話者の発話時間と識別対象音声データの話者の発話時間との両方に基づいて、第３話者識別モデル及び第４話者識別モデルのいずれかを選択してもよい。モデル選択部２１７４は、登録音声データの話者の発話時間と識別対象音声データの話者の発話時間との両方が所定時間以上である場合、第３話者識別モデルを選択してもよい。また、モデル選択部２１７４は、登録音声データの話者の発話時間と識別対象音声データの話者の発話時間との少なくとも一方が所定時間より短い場合、第４話者識別モデルを選択してもよい。なお、所定時間は、例えば２０秒である。この場合、話者識別装置２４は、識別対象音声データの話者の発話時間を計測する発話時間計測部をさらに備えてもよい。また、話者識別装置２４は、発話時間計測部２０７を備えずに、登録音声データ取得部２１３によって取得された登録音声データの話者の発話時間を計測する発話時間計測部を備えてもよい。

さらに、本実施の形態４において、モデル選択部２１７４は、登録音声データの話者の発話時間と識別対象音声データの話者の発話時間とのいずれか一方が所定時間以上である場合、第３話者識別モデルを選択してもよい。また、モデル選択部２１７４は、登録音声データの話者の発話時間と識別対象音声データの話者の発話時間との両方が所定時間より短い場合、第４話者識別モデルを選択してもよい。なお、所定時間は、例えば１００秒である。この場合、話者識別装置２４は、識別対象音声データの話者の発話時間を計測する発話時間計測部をさらに備えてもよい。また、話者識別装置２４は、発話時間計測部２０７を備えずに、登録音声データ取得部２１３によって取得された登録音声データの話者の発話時間を計測する発話時間計測部を備えてもよい。

続いて、本実施の形態４における話者識別モデル生成装置４４の話者識別モデル生成処理の動作について説明する。

図３０は、本実施の形態４における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第１のフローチャートであり、図３１は、本実施の形態４における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第２のフローチャートである。

まず、ステップＳ２３１において、長時間音声データ取得部４２２は、話者を識別するための話者識別ラベルが付与された、発話時間が所定時間以上である複数の長時間音声データを長時間音声データ記憶部４２１から取得する。

次に、ステップＳ２３２において、特徴量抽出部４２３は、長時間音声データ取得部４２２によって取得された複数の長時間音声データの特徴量を抽出する。

次に、ステップＳ２３３において、第３話者識別モデル生成部４２４は、複数の長時間音声データのうちの第１長時間音声データ及び第２長時間音声データの各特徴量と、第１長時間音声データ及び第２長時間音声データの各話者識別ラベルの類似度とを教師データとして取得する。

次に、ステップＳ２３４において、第３話者識別モデル生成部４２４は、取得した教師データを用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする第３話者識別モデルを機械学習する。

次に、ステップＳ２３５において、第３話者識別モデル生成部４２４は、複数の長時間音声データのうちの全ての長時間音声データの組み合わせを用いて第３話者識別モデルを機械学習させたか否かを判定する。ここで、全ての長時間音声データの組み合わせを用いて第３話者識別モデルを機械学習させていないと判定された場合（ステップＳ２３５でＮＯ）、ステップＳ２３３に処理が戻る。そして、第３話者識別モデル生成部４２４は、複数の長時間音声データのうちの機械学習に用いていない組み合わせの第１長時間音声データ及び第２長時間音声データの各特徴量と、第１長時間音声データ及び第２長時間音声データの各話者識別ラベルの類似度とを教師データとして取得する。

一方、全ての長時間音声データの組み合わせを用いて第３話者識別モデルを機械学習させたと判定された場合（ステップＳ２３５でＹＥＳ）、ステップＳ２３６において、第３話者識別モデル生成部４２４は、機械学習により生成された第３話者識別モデルを第３話者識別モデル記憶部４２５に記憶する。

次に、ステップＳ２３７において、短時間音声データ取得部４３２は、話者を識別するための話者識別ラベルが付与された、発話時間が所定時間より短い複数の短時間音声データを短時間音声データ記憶部４３１から取得する。

次に、ステップＳ２３８において、特徴量抽出部４３３は、短時間音声データ取得部４３２によって取得された複数の短時間音声データの特徴量を抽出する。

次に、ステップＳ２３９において、第４話者識別モデル生成部４３４は、複数の短時間音声データのうちの第１短時間音声データ及び第２短時間音声データの各特徴量と、第１短時間音声データ及び第２短時間音声データの各話者識別ラベルの類似度とを教師データとして取得する。

次に、ステップＳ２４０において、第４話者識別モデル生成部４３４は、取得した教師データを用い、入力を２つの音声データの各特徴量とし、出力を２つの音声データの類似度とする第４話者識別モデルを機械学習する。

次に、ステップＳ２４１において、第４話者識別モデル生成部４３４は、複数の短時間音声データのうちの全ての短時間音声データの組み合わせを用いて第４話者識別モデルを機械学習させたか否かを判定する。ここで、全ての短時間音声データの組み合わせを用いて第４話者識別モデルを機械学習させていないと判定された場合（ステップＳ２４１でＮＯ）、ステップＳ２３９に処理が戻る。そして、第４話者識別モデル生成部４３４は、複数の短時間音声データのうちの機械学習に用いていない組み合わせの第１短時間音声データ及び第２短時間音声データの各特徴量と、第１短時間音声データ及び第２短時間音声データの各話者識別ラベルの類似度とを教師データとして取得する。

一方、全ての短時間音声データの組み合わせを用いて第４話者識別モデルを機械学習させたと判定された場合（ステップＳ２４１でＹＥＳ）、ステップＳ２４２において、第４話者識別モデル生成部４３４は、機械学習により生成された第４話者識別モデルを第４話者識別モデル記憶部４３５に記憶する。

（実施の形態５）
上記の実施の形態４では、登録音声データ記憶部２１２４に記憶されている全ての登録音声データそれぞれと、識別対象音声データとの類似度が算出され、類似度が最も高い登録音声データの話者が識別対象音声データの話者として識別される。一方、実施の形態５では、識別対象音声データの話者の識別情報が入力され、登録音声データ記憶部２１２に記憶されている複数の登録音声データのうち、当該識別情報に予め対応付けられている１の登録音声データが取得される。そして、１の登録音声データと識別対象音声データとの類似度が算出され、類似度が閾値より高い場合、登録音声データの話者が識別対象音声データの話者として識別される。

図３２は、本開示の実施の形態５における話者識別システムの構成を示す図である。

図３２に示す話者識別システムは、マイクロホン１及び話者識別装置２５を備える。なお、話者識別装置２５は、マイクロホン１を備えていなくてもよいし、備えてもよい。

なお、本実施の形態５において、実施の形態１～４と同じ構成については同じ符号を付し、説明を省略する。

話者識別装置２５は、登録対象音声データ取得部２０１、発話時間計測部２０７、登録部２０６５、識別対象音声データ取得部２１１、登録音声データ記憶部２１２５、登録音声データ取得部２１３５、特徴量抽出部２１４、特徴量抽出部２１５、話者識別モデル記憶部２１６４、モデル選択部２１７４、話者識別部２１８５、識別結果出力部２１９、入力受付部２２１及び識別情報取得部２２２を備える。

登録部２０６５は、発話時間計測部２０７によって計測された発話時間を示す発話時間情報及び識別情報取得部２２２によって取得された識別情報を対応付けた登録対象音声データを登録音声データとして登録する。登録部２０６５は、登録音声データを登録音声データ記憶部２１２５に登録する。

登録音声データ記憶部２１２５は、発話時間情報及び識別情報が対応付けられた登録音声データを記憶する。登録音声データ記憶部２１２５は、複数の登録音声データを記憶する。複数の登録音声データは、複数の登録音声データそれぞれの話者を識別するための識別情報と対応付けられている。

登録音声データ取得部２１３５は、登録音声データ記憶部２１２５に登録されている複数の登録音声データの中から、識別情報取得部２２２によって取得された識別情報と一致する識別情報が対応付けられている登録音声データを取得する。

話者識別部２１８５は、類似度算出部２３１５及び類似度判定部２３２５を備える。

類似度算出部２３１５は、識別対象音声データの特徴量と登録音声データの特徴量とを、選択した第３話者識別モデル及び第４話者識別モデルのいずれかに入力することにより、識別対象音声データと登録音声データとの類似度を第３話者識別モデル及び第４話者識別モデルのいずれかから取得する。

類似度判定部２３２５は、取得した類似度が閾値よりも高い場合、登録音声データの話者を識別対象音声データの話者として識別する。

続いて、本実施の形態５における話者識別装置２５の登録処理及び話者識別処理のそれぞれの動作について説明する。

図３３は、本実施の形態５における話者識別装置の登録処理の動作について説明するためのフローチャートである。

ステップＳ２５１及びステップＳ２５２の処理は、図１５に示すステップＳ１２１及びステップＳ１２２の処理と同じであるので、説明を省略する。また、ステップＳ２５３の処理は、図２７に示すステップＳ２０２の処理と同じであるので、説明を省略する。

次に、ステップＳ２５４において、登録部２０６５は、発話時間計測部２０７によって計測された発話時間情報及び識別情報取得部２２２によって取得された識別情報を対応付けた登録対象音声データを登録音声データとして登録音声データ記憶部２１２５に記憶する。これにより、登録音声データ記憶部２１２５は、発話時間情報及び識別情報を対応付けた登録音声データを記憶する。

図３４は、本実施の形態５における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートであり、図３５は、本実施の形態５における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。

ステップＳ２６１～ステップＳ２６４の処理は、図１６に示すステップＳ１３１～ステップＳ１３４の処理と同じであるので、説明を省略する。

次に、ステップＳ２６５において、登録音声データ取得部２１３５は、登録音声データ記憶部２１２５に登録されている複数の登録音声データの中から、識別情報取得部２２２によって取得された識別情報と一致する識別情報が対応付けられている登録音声データを取得する。

ステップＳ２６６～ステップＳ２７０の処理は、図２８に示すステップＳ２１４～ステップＳ２１８の処理と同じであるので、説明を省略する。

次に、ステップＳ２７１において、類似度算出部２３１５は、識別対象音声データの特徴量と登録音声データの特徴量とを、選択した第３話者識別モデル及び第４話者識別モデルのいずれかに入力することにより、識別対象音声データと登録音声データとの類似度を第３話者識別モデル及び第４話者識別モデルのいずれかから取得する。

次に、ステップＳ２７２において、類似度判定部２３２５は、類似度算出部２３１５によって算出された類似度が閾値より大きいか否かを判定する。

ここで、類似度算出部２３１５によって算出された類似度が閾値より大きいと判定された場合（ステップＳ２７２でＹＥＳ）、ステップＳ２７３において、類似度判定部２３２５は、登録音声データの話者を識別対象音声データの話者として識別する。

一方、類似度算出部２３１５によって算出された類似度が閾値以下であると判定された場合（ステップＳ２７２でＮＯ）、ステップＳ２７４において、類似度判定部２３２５は、識別対象音声データの話者が登録音声データの話者ではないと判定する。

ステップＳ２７５の処理は、図７に示すステップＳ４４の処理と同じであるので、説明を省略する。

このように、本実施の形態５では、識別情報に対応付けられている登録音声データと識別対象音声データとの類似度のみが算出される。したがって、複数の登録音声データそれぞれと識別対象音声データとの複数の類似度が算出される実施の形態４と比較して、実施の形態５では、類似度算出の処理負荷を低減することができる。

（実施の形態６）
上記の実施の形態４及び実施の形態５では、登録音声データの話者の発話時間に応じて第３話者識別モデルと第４話者識別モデルとのいずれかが選択されるが、２つの異なる第３話者識別モデルと第４話者識別モデルとが用いられる場合、第３話者識別モデルと第４話者識別モデルとの出力値の範囲が異なるおそれがある。そこで、実施の形態６では、音声データの登録時において、第３話者識別モデル及び第４話者識別モデルのそれぞれに対し、同一の話者を識別することが可能な第３閾値及び第４閾値が算出され、算出された第３閾値及び第４閾値が記憶される。また、音声データの識別時において、算出された識別対象音声データと登録音声データとの類似度から第３閾値又は第４閾値が減算されることにより類似度が補正される。そして、補正された類似度が第３話者識別モデル及び第４話者識別モデルに共通の第５閾値と比較されることにより、識別対象音声データの話者が識別される。

まず、本開示の実施の形態６における話者識別モデル生成装置について説明する。

図３６は、本開示の実施の形態６における話者識別モデル生成装置の構成を示す図である。

図３６に示す話者識別モデル生成装置４６は、長時間音声データ記憶部４２１、長時間音声データ取得部４２２、特徴量抽出部４２３、第３話者識別モデル生成部４２４、第３話者識別モデル記憶部４２５、第３話者識別部４２６、第３閾値算出部４２７、閾値記憶部４２８、短時間音声データ記憶部４３１、短時間音声データ取得部４３２、特徴量抽出部４３３、第４話者識別モデル生成部４３４、第４話者識別モデル記憶部４３５、第４話者識別部４３６及び第４閾値算出部４３７を備える。

なお、本実施の形態６において、実施の形態１～５と同じ構成については同じ符号を付し、説明を省略する。

第３話者識別部４２６は、発話時間が所定時間以上である複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせを第３話者識別モデルに入力することにより、２つの音声データの複数の組み合わせそれぞれの類似度を第３話者識別モデルから取得する。

第３閾値算出部４２７は、同一話者の２つの音声データの類似度と、互いに異なる話者の２つの音声データの類似度とを識別可能な第３閾値を算出する。第３閾値算出部４２７は、第３話者識別部４２６によって算出された複数の類似度を回帰分析することにより、第３閾値を算出する。

第４話者識別部４３６は、発話時間が所定の時間よりも短い複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせを第４話者識別モデルに入力することにより、２つの音声データの複数の組み合わせそれぞれの類似度を第４話者識別モデルから取得する。

第４閾値算出部４３７は、同一話者の２つの音声データの類似度と、互いに異なる話者の２つの音声データの類似度とを識別可能な第４閾値を算出する。第４閾値算出部４３７は、第４話者識別部４３６によって算出された複数の類似度を回帰分析することにより、第４閾値を算出する。

閾値記憶部４２８は、第３閾値算出部４２７によって算出された第３閾値と、第４閾値算出部４３７によって算出された第４閾値とを記憶する。

続いて、本開示の実施の形態６における話者識別システムについて説明する。

図３７は、本開示の実施の形態６における話者識別システムの構成を示す図である。

図３７に示す話者識別システムは、マイクロホン１及び話者識別装置２６を備える。なお、話者識別装置２６は、マイクロホン１を備えていなくてもよいし、備えてもよい。

なお、本実施の形態６において、実施の形態１～５と同じ構成については同じ符号を付し、説明を省略する。

話者識別装置２６は、登録対象音声データ取得部２０１、発話時間計測部２０７、登録部２０６５、識別対象音声データ取得部２１１、登録音声データ記憶部２１２５、登録音声データ取得部２１３５、特徴量抽出部２１４、特徴量抽出部２１５、話者識別モデル記憶部２１６４、モデル選択部２１７４、話者識別部２１８６、識別結果出力部２１９、入力受付部２２１、識別情報取得部２２２及び閾値記憶部２２３６を備える。

話者識別部２１８６は、類似度算出部２３１５、類似度補正部２３３６及び類似度判定部２３２６を備える。

類似度補正部２３３６は、第３話者識別モデルから類似度を取得した場合、取得した類似度から第３閾値を減算する。また、類似度補正部２３３６は、第４話者識別モデルから類似度を取得した場合、取得した類似度から第４閾値を減算する。類似度補正部２３３６は、類似度算出部２３１５によって第３話者識別モデルを用いて類似度が算出された場合、閾値記憶部２２３６から第３閾値を読み出し、算出された類似度から第３閾値を減算する。また、類似度補正部２３３６は、類似度算出部２３１５によって第４話者識別モデルを用いて類似度が算出された場合、閾値記憶部２２３６から第４閾値を読み出し、算出された類似度から第４閾値を減算する。

閾値記憶部２２３６は、第３話者識別モデルを用いて算出された類似度を補正するための第３閾値と、第４話者識別モデルを用いて算出された類似度を補正するための第４閾値とを予め記憶する。閾値記憶部２２３６は、話者識別モデル生成装置４６によって生成された第３閾値及び第４閾値を予め記憶する。

なお、話者識別モデル生成装置４６は、閾値記憶部４２８に記憶された第３閾値及び第４閾値を話者識別装置２６へ送信してもよい。話者識別装置２６は、受信した第３閾値及び第４閾値を閾値記憶部２２３６に記憶してもよい。また、話者識別装置２６の製造時において、話者識別モデル生成装置４６によって生成された第３閾値及び第４閾値が閾値記憶部２２３６に記憶されてもよい。

類似度判定部２３２６は、類似度補正部２３３６によって第３閾値又は第４閾値が減算された類似度が第５閾値よりも高い場合、登録音声データの話者を識別対象音声データの話者として識別する。

続いて、本実施の形態６における話者識別モデル生成装置４６の話者識別モデル生成処理の動作について説明する。

図３８は、本実施の形態６における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第１のフローチャートであり、図３９は、本実施の形態６における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第２のフローチャートであり、図４０は、本実施の形態６における話者識別モデル生成装置の話者識別モデル生成処理の動作について説明するための第３のフローチャートである。

ステップＳ２８１～ステップＳ２８６の処理は、図３０に示すステップＳ２３１～ステップＳ２３６の処理と同じであるので、説明を省略する。

次に、ステップＳ２８７において、第３話者識別部４２６は、第３話者識別モデル記憶部４２５から第３話者識別モデルを取得する。

次に、ステップＳ２８８において、第３話者識別部４２６は、特徴量抽出部４２３によって抽出された複数の長時間音声データの特徴量の中から、２つの長時間音声データの特徴量を取得する。

次に、ステップＳ２８９において、第３話者識別部４２６は、取得した２つの長時間音声データの特徴量を第３話者識別モデルに入力することにより、２つの長時間音声データの類似度を算出する。なお、２つの長時間音声データは、１人の話者によって発話された２つの長時間音声データと、２人の話者によって発話された２つの長時間音声データとのいずれかである。このとき、２つの長時間音声データが１人の話者によって発話された長時間音声データである場合の類似度は、２つの長時間音声データが２人の話者によって発話された長時間音声データである場合の類似度よりも高くなる。

次に、ステップＳ２９０において、第３話者識別部４２６は、全ての長時間音声データの組み合わせの類似度が算出されたか否かを判定する。ここで、全ての長時間音声データの組み合わせの類似度が算出されていないと判定された場合（ステップＳ２９０でＮＯ）、ステップＳ２８８に処理が戻る。そして、第３話者識別部４２６は、複数の長時間音声データの特徴量の中から、類似度を算出していない２つの長時間音声データの特徴量を特徴量抽出部４２３から取得する。

一方、全ての長時間音声データの組み合わせの類似度が算出されたと判定された場合（ステップＳ２９０でＹＥＳ）、ステップＳ２９１において、第３閾値算出部４２７は、第３話者識別部４２６によって算出された複数の類似度を回帰分析することにより、同一話者の２つの長時間音声データの類似度と、互いに異なる話者の２つの長時間音声データの類似度とを識別可能な第３閾値を算出する。

次に、ステップＳ２９２において、第３閾値算出部４２７は、算出した第３閾値を閾値記憶部４２８に記憶する。

ステップＳ２９３～ステップＳ２９８の処理は、図３０及び図３１に示すステップＳ２３７～ステップＳ２４２の処理と同じであるので、説明を省略する。

次に、ステップＳ２９９において、第４話者識別部４３６は、第４話者識別モデル記憶部４３５から第４話者識別モデルを取得する。

次に、ステップＳ３００において、第４話者識別部４３６は、特徴量抽出部４３３によって抽出された複数の短時間音声データの特徴量の中から、２つの短時間音声データの特徴量を取得する。

次に、ステップＳ３０１において、第４話者識別部４３６は、取得した２つの短時間音声データの特徴量を第４話者識別モデルに入力することにより、２つの短時間音声データの類似度を算出する。なお、２つの短時間音声データは、１人の話者によって発話された２つの短時間音声データと、２人の話者によって発話された２つの短時間音声データとのいずれかである。このとき、２つの短時間音声データが１人の話者によって発話された短時間音声データである場合の類似度は、２つの短時間音声データが２人の話者によって発話された短時間音声データである場合の類似度よりも高くなる。

次に、ステップＳ３０２において、第４話者識別部４３６は、全ての短時間音声データの組み合わせの類似度が算出されたか否かを判定する。ここで、全ての短時間音声データの組み合わせの類似度が算出されていないと判定された場合（ステップＳ３０２でＮＯ）、ステップＳ３００に処理が戻る。そして、第４話者識別部４３６は、複数の短時間音声データの特徴量の中から、類似度を算出していない２つの短時間音声データの特徴量を特徴量抽出部４３３から取得する。

一方、全ての短時間音声データの組み合わせの類似度が算出されたと判定された場合（ステップＳ３０２でＹＥＳ）、ステップＳ３０３において、第４閾値算出部４３７は、第４話者識別部４３６によって算出された複数の類似度を回帰分析することにより、同一話者の２つの短時間音声データの類似度と、互いに異なる話者の２つの短時間音声データの類似度とを識別可能な第４閾値を算出する。

次に、ステップＳ３０４において、第４閾値算出部４３７は、算出した第４閾値を閾値記憶部４２８に記憶する。

続いて、本実施の形態６における話者識別装置２６の話者識別処理の動作について説明する。

図４１は、本実施の形態６における話者識別装置の話者識別処理の動作について説明するための第１のフローチャートであり、図４２は、本実施の形態６における話者識別装置の話者識別処理の動作について説明するための第２のフローチャートである。

ステップＳ３１１～ステップＳ３２１の処理は、図３４及び図３５に示すステップＳ２６１～ステップＳ２７１の処理と同じであるので、説明を省略する。

次に、ステップＳ３２２において、類似度補正部２３３６は、閾値記憶部２２３６から第３閾値又は第４閾値を取得する。このとき、モデル選択部２１７４によって第３話者識別モデルが選択された場合、類似度補正部２３３６は、閾値記憶部２２３６から第３閾値を取得する。また、モデル選択部２１７４によって第４話者識別モデルが選択された場合、類似度補正部２３３６は、閾値記憶部２２３６から第４閾値を取得する。

次に、ステップＳ３２３において、類似度補正部２３３６は、取得した第３閾値又は第４閾値を用いて、類似度算出部２３１５によって算出された類似度を補正する。このとき、類似度補正部２３３６は、類似度算出部２３１５によって算出された類似度から、第３閾値又は第４閾値を減算する。

次に、ステップＳ３２４において、類似度判定部２３２６は、類似度補正部２３３６によって補正された類似度が第５閾値より大きいか否かを判定する。なお、第５閾値は、例えば０である。類似度判定部２３２６は、補正された類似度が０より大きい場合、識別対象音声データが予め登録されている登録音声データと一致すると判定し、補正された類似度が０以下である場合、識別対象音声データが予め登録されている登録音声データと一致しないと判定する。

ここで、類似度補正部２３３６によって補正された類似度が第５閾値より大きいと判定された場合（ステップＳ３２４でＹＥＳ）、ステップＳ３２５において、類似度判定部２３２６は、登録音声データの話者を識別対象音声データの話者として識別する。

一方、類似度補正部２３３６によって補正された類似度が第５閾値以下であると判定された場合（ステップＳ３２４でＮＯ）、ステップＳ３２６において、類似度判定部２３２６は、識別対象音声データの話者が登録音声データの話者ではないと判定する。

ステップＳ３２７の処理は、図３５に示すステップＳ２７５の処理と同じであるので、説明を省略する。

２つの異なる第３話者識別モデルと第４話者識別モデルとが用いられる場合、第３話者識別モデルと第４話者識別モデルとの出力値の範囲が異なるおそれがある。そこで、本実施の形態６では、登録時において、第３話者識別モデル及び第４話者識別モデルのそれぞれに対し、同一の話者を識別することが可能な第３閾値及び第４閾値が算出される。また、話者識別時において、算出された識別対象音声データと登録音声データとの類似度から第３閾値又は第４閾値が減算されることにより類似度が補正される。そして、補正された類似度が第３話者識別モデル及び第４話者識別モデルに共通の第５閾値と比較されることにより、識別対象音声データの話者をより高い精度で識別することができる。

なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

本開示の実施の形態に係る装置の機能の一部又は全ては典型的には集積回路であるＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）として実現される。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。また、集積回路化はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後にプログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。

また、本開示の実施の形態に係る装置の機能の一部又は全てを、ＣＰＵ等のプロセッサがプログラムを実行することにより実現してもよい。

また、上記で用いた数字は、全て本開示を具体的に説明するために例示するものであり、本開示は例示された数字に制限されない。

また、上記フローチャートに示す各ステップが実行される順序は、本開示を具体的に説明するために例示するためのものであり、同様の効果が得られる範囲で上記以外の順序であってもよい。また、上記ステップの一部が、他のステップと同時（並列）に実行されてもよい。

本開示に係る技術は、識別対象の話者が予め登録されている話者であるか否かを識別する精度を向上させることができるので、話者を識別する技術として有用である。

Claims (9)

1. コンピュータが、
   識別対象音声データを取得し、
   予め登録されている登録音声データを取得し、
   前記識別対象音声データの特徴量を抽出し、
   前記登録音声データの特徴量を抽出し、
   前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択し、
   前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別し、
   登録対象音声データを取得し、
   前記登録対象音声データの特徴量を抽出し、
   前記登録対象音声データの前記特徴量を用いて前記登録対象音声データの話者の性別を識別し、
   識別した前記性別に対応付けた前記登録対象音声データを前記登録音声データとして登録し、
   前記性別の識別において、
   話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルを取得し、
   前記登録対象音声データの前記特徴量と、予め記憶されている男性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記男性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、
   取得した複数の類似度の平均を平均男性類似度として算出し、
   前記登録対象音声データの前記特徴量と、予め記憶されている女性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記女性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、
   取得した複数の類似度の平均を平均女性類似度として算出し、
   前記平均男性類似度が前記平均女性類似度より高い場合、前記登録対象音声データの前記話者の性別を男性と識別し、
   前記平均男性類似度が前記平均女性類似度より低い場合、前記登録対象音声データの前記話者の性別を女性と識別する、
   話者識別方法。
2. 前記第１話者識別モデル又は前記第２話者識別モデルの選択において、
   前記登録音声データの前記話者の性別が男性である場合、前記第１話者識別モデルを選択し、
   前記登録音声データの前記話者の性別が女性である場合、前記第２話者識別モデルを選択する、
   請求項１記載の話者識別方法。
3. コンピュータが、
   識別対象音声データを取得し、
   予め登録されている登録音声データを取得し、
   前記識別対象音声データの特徴量を抽出し、
   前記登録音声データの特徴量を抽出し、
   前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択し、
   前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別し、
   登録対象音声データを取得し、
   前記登録対象音声データの特徴量を抽出し、
   前記登録対象音声データの前記特徴量を用いて前記登録対象音声データの話者の性別を識別し、
   識別した前記性別に対応付けた前記登録対象音声データを前記登録音声データとして登録し、
   前記性別の識別において、
   話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルを取得し、
   前記登録対象音声データの前記特徴量と、予め記憶されている男性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記男性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、
   取得した複数の類似度のうちの最大値を最大男性類似度として算出し、
   前記登録対象音声データの前記特徴量と、予め記憶されている女性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記女性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、
   取得した複数の類似度のうちの最大値を最大女性類似度として算出し、
   前記最大男性類似度が前記最大女性類似度より高い場合、前記登録対象音声データの前記話者の性別を男性と識別し、
   前記最大男性類似度が前記最大女性類似度より低い場合、前記登録対象音声データの前記話者の性別を女性と識別する、
   話者識別方法。
4. コンピュータが、
   識別対象音声データを取得し、
   予め登録されている登録音声データを取得し、
   前記識別対象音声データの特徴量を抽出し、
   前記登録音声データの特徴量を抽出し、
   前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択し、
   前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別し、
   前記登録音声データは、複数の登録音声データを含み、
   前記話者の識別において、
   前記識別対象音声データの前記特徴量と前記複数の登録音声データの前記特徴量それぞれとを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データと前記複数の登録音声データそれぞれとの類似度を前記第１話者識別モデル及び前記第２話者識別モデルのいずれかから取得し、
   取得した類似度が最も高い前記登録音声データの話者を前記識別対象音声データの話者として識別する、
   話者識別方法。
5. 前記登録音声データは、複数の登録音声データを含み、
   前記複数の登録音声データは、前記複数の登録音声データそれぞれの話者を識別するための識別情報と対応付けられており、
   さらに、前記識別対象音声データの話者を識別するための識別情報を取得し、
   前記登録音声データの取得において、前記複数の登録音声データの中から、取得した前記識別情報と一致する識別情報が対応付けられている登録音声データを取得し、
   前記話者の識別において、
   前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データと前記登録音声データとの類似度を前記第１話者識別モデル及び前記第２話者識別モデルのいずれかから取得し、
   取得した前記類似度が閾値よりも高い場合、前記登録音声データの話者を前記識別対象音声データの話者として識別する、
   請求項１～３のいずれか１項に記載の話者識別方法。
6. 機械学習時に、男性の複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせが前記第１話者識別モデルに入力されることにより、前記２つの音声データの複数の組み合わせそれぞれの類似度が前記第１話者識別モデルから取得され、同一話者の前記２つの音声データの前記類似度と、互いに異なる話者の前記２つの音声データの前記類似度とを識別可能な第１閾値が算出され、
   機械学習時に、女性の複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせが前記第２話者識別モデルに入力されることにより、前記２つの音声データの複数の組み合わせそれぞれの類似度が前記第２話者識別モデルから取得され、同一話者の前記２つの音声データの前記類似度と、互いに異なる話者の前記２つの音声データの前記類似度とを識別可能な第２閾値が算出され、
   前記話者の識別において、前記第１話者識別モデルから前記類似度を取得した場合、取得した前記類似度から前記第１閾値を減算し、前記第２話者識別モデルから前記類似度を取得した場合、取得した前記類似度から前記第２閾値を減算する、
   請求項４記載の話者識別方法。
7. コンピュータが、
   識別対象音声データを取得し、
   予め登録されている登録音声データを取得し、
   前記識別対象音声データの特徴量を抽出し、
   前記登録音声データの特徴量を抽出し、
   前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択し、
   前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別し、
   前記登録音声データは、複数の登録音声データを含み、
   前記複数の登録音声データは、前記複数の登録音声データそれぞれの話者を識別するための識別情報と対応付けられており、
   さらに、前記識別対象音声データの話者を識別するための識別情報を取得し、
   前記登録音声データの取得において、前記複数の登録音声データの中から、取得した前記識別情報と一致する識別情報が対応付けられている登録音声データを取得し、
   前記話者の識別において、
   前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データと前記登録音声データとの類似度を前記第１話者識別モデル及び前記第２話者識別モデルのいずれかから取得し、
   取得した前記類似度が閾値よりも高い場合、前記登録音声データの話者を前記識別対象音声データの話者として識別し、
   機械学習時に、男性の複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせが前記第１話者識別モデルに入力されることにより、前記２つの音声データの複数の組み合わせそれぞれの類似度が前記第１話者識別モデルから取得され、同一話者の前記２つの音声データの前記類似度と、互いに異なる話者の前記２つの音声データの前記類似度とを識別可能な第１閾値が算出され、
   機械学習時に、女性の複数の音声データのうちの２つの音声データの特徴量の全ての組み合わせが前記第２話者識別モデルに入力されることにより、前記２つの音声データの複数の組み合わせそれぞれの類似度が前記第２話者識別モデルから取得され、同一話者の前記２つの音声データの前記類似度と、互いに異なる話者の前記２つの音声データの前記類似度とを識別可能な第２閾値が算出され、
   前記話者の識別において、前記第１話者識別モデルから前記類似度を取得した場合、取得した前記類似度から前記第１閾値を減算し、前記第２話者識別モデルから前記類似度を取得した場合、取得した前記類似度から前記第２閾値を減算する、
   話者識別方法。
8. 識別対象音声データを取得する識別対象音声データ取得部と、
   予め登録されている登録音声データを取得する登録音声データ取得部と、
   前記識別対象音声データの特徴量を抽出する第１抽出部と、
   前記登録音声データの特徴量を抽出する第２抽出部と、
   前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択する話者識別モデル選択部と、
   前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別する話者識別部と、
   登録対象音声データを取得する登録対象音声データ取得部と、
   前記登録対象音声データの特徴量を抽出する第３抽出部と、
   前記登録対象音声データの前記特徴量を用いて前記登録対象音声データの話者の性別を識別する性別識別部と、
   識別した前記性別に対応付けた前記登録対象音声データを前記登録音声データとして登録する登録部と、
   を備え、
   前記性別識別部は、
   話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルを取得し、
   前記登録対象音声データの前記特徴量と、予め記憶されている男性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記男性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、
   取得した複数の類似度の平均を平均男性類似度として算出し、
   前記登録対象音声データの前記特徴量と、予め記憶されている女性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記女性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、
   取得した複数の類似度の平均を平均女性類似度として算出し、
   前記平均男性類似度が前記平均女性類似度より高い場合、前記登録対象音声データの前記話者の性別を男性と識別し、
   前記平均男性類似度が前記平均女性類似度より低い場合、前記登録対象音声データの前記話者の性別を女性と識別する、
   話者識別装置。
9. 識別対象音声データを取得し、
   予め登録されている登録音声データを取得し、
   前記識別対象音声データの特徴量を抽出し、
   前記登録音声データの特徴量を抽出し、
   前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が男性である場合、男性の話者を識別するために男性の音声データを用いて機械学習された第１話者識別モデルを選択し、前記識別対象音声データの話者及び前記登録音声データの話者のいずれかの性別が女性である場合、女性の話者を識別するために女性の音声データを用いて機械学習された第２話者識別モデルを選択し、
   前記識別対象音声データの前記特徴量と前記登録音声データの前記特徴量とを、選択した前記第１話者識別モデル及び前記第２話者識別モデルのいずれかに入力することにより、前記識別対象音声データの前記話者を識別し、
   登録対象音声データを取得し、
   前記登録対象音声データの特徴量を抽出し、
   前記登録対象音声データの前記特徴量を用いて前記登録対象音声データの話者の性別を識別し、
   識別した前記性別に対応付けた前記登録対象音声データを前記登録音声データとして登録するようにコンピュータを機能させ、
   前記性別の識別において、
   話者の性別を識別するために男性及び女性の音声データを用いて機械学習された性別識別モデルを取得し、
   前記登録対象音声データの前記特徴量と、予め記憶されている男性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記男性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、
   取得した複数の類似度の平均を平均男性類似度として算出し、
   前記登録対象音声データの前記特徴量と、予め記憶されている女性の複数の音声データの特徴量それぞれとを前記性別識別モデルに入力することにより、前記登録対象音声データと前記女性の複数の音声データそれぞれとの類似度を前記性別識別モデルから取得し、
   取得した複数の類似度の平均を平均女性類似度として算出し、
   前記平均男性類似度が前記平均女性類似度より高い場合、前記登録対象音声データの前記話者の性別を男性と識別し、
   前記平均男性類似度が前記平均女性類似度より低い場合、前記登録対象音声データの前記話者の性別を女性と識別する、
   話者識別プログラム。

Images