|
修士学位論文−「音声による感情認識システムに関する研究」
|
| 背景・目的 |
本研究は、卒業論文研究の「自然な対話を実現する音声インタフェースに関する研究」に関連して特に、「人間の喜怒哀楽などの感情が変化する場合に、どのように発声講堂への影響が見られるか」という問題を解明しようという試みである。 現在の音声認識システムでは話者は心理的にきわめて安定した状態であることが求められる。つまり、発話中の感情変化によって音声への変動が起こるような状態を想定してはいない。
このことは、実際の住環境における人間と機械のインターフェースとして音声を考えた場合に不都合であると考えられる。 本研究では現状の音声認識システムの感情変動による揺らぎに対する頑健性を向上することをその目的とする。 このため、大量の音声データを分析・分類し、感情表現に関わる特徴を捉え、予測し、認識器への事前知識として与え認識率向上を目指す。 |
| アプローチ |
研究目的の実現のため、以下のアプローチをとる。
- 大量の感情表現的音声データの採取。
- 採取されたデータから各感情に特有の発話行動の変化を分析・分類。
- 実際に入力された音声から感情推定を行うモデルを構築し、システム化。
- ３のシステムを大語彙連続音声認識システムの前段に用いて音声データを修正し、認識率の向上を図る。
|
| 成果 |
研究の結果、以下のような成果を得た。
- 13話者より4感情各20文で、合計1040サンプルの感情を含む音声を採取した。
- 感情音声認識に有効な特徴量を調査し、基本周波数をベースとした9次元の特徴量により、65%程度の感情判別率を得ることができた。
- 感情によって、特定の音素が影響を受け、音素認識率に変動を及ぼすことを示した。
|
| 課題 |
- より高精度な特徴量の探求。
- 感情によって音声が受ける音響的変動のより詳しい調査。
|
|
|
卒業論文−「自然な対話を実現する音声インタフェースに関する研究」
|
| 背景・目的 |
最近５年間ほどで、家庭へのコンピューターの導入が急速に行われている一方、従来からのキーボード＆マウスによる操作は初心者には特に難解でこれが原因でコンピューターの円滑な利用を妨げている面がある。 このようなＰＣのインターフェースとして音声を考えると、直感的かつ対話的に操作を行えるため、大変メリットがあると考えられる。 また、音声インターフェースと、従来からの入力デバイスのハイブリットタイプも、別々のタスクを併用して行えるという点で、非常に効率的であると思われる。本研究では以上のような点を踏まえ、特に人間が発生する自然な発話を理解するシステムを構築することを目的とする。ここで言う「自然な発話」とは、たとえば「えーと、明日のぉ・・そうだな、３時ぐらいから予約したいんだけど」などと、間投語などを含む、話し言葉で一般的に使われているような会話を指す。 これに対して、定型的な発話とは、「明日の１０時から、会議室を予約したいのですが」などと、日本語文法に忠実な、いわば「協力的な」話者によってなされた発話を指す。 |
| アプローチ |
研究目的の実現のための一般的なアプローチは以下のようになるが、本研究においては時間的制約から、１の分野を重点的に行った。
- 音声入力全体をくまなく認識しようとするのではなく、会話が言わんとするところを理解するために必要な単語（あるいは文節）のみを取り出そうという観点に立つ。これをスポッティングという。
- 抽出された単語候補から、最適と思われる単語列を作成する。
- 作成された単語列から、話者の意図を知るため、構文解析を行う。
- 音声あるいは文字による応答を行う。
|
| 成果 |
研究の結果、以下のような成果を得た。
- 単語間を接続して、文節オートマトンを作成し、認識対象語を選定した。
- 実時間の１０倍程度の時間で動作するスポッティングシステムを構築した。
|
| 課題 |
本研究で作成したスポッティングシステムは、実時間動作を実現することは出来ず、実装上に難があるため、より適切な実装を行い、実時間動作を目指す必要がある。 |
