权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

人間による音声情報処理過程の分析とそれを応用した音声対話インターフェイスの構築

分析人类语音信息处理过程并利用该分析构建语音对话界面

基本信息

批准号：
16016219
负责人：
峯松信明
金额：
$ 7.42万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research on Priority Areas
财政年份：
2004
资助国家：
日本
起止时间：
2004 至 2005
项目状态：
已结题

项目摘要

音声によって伝搬される情報は,言語情報,パラ言語情報,非言語情報に分類される。従来の音声情報処理パラダイムでは,まずパラ言語情報を音声の物理現象から分離し,言語情報+非言語情報となった音声に対して,非言語情報の和をとることで(即ち,数千,数万という話者の音声を集めることで)言語情報を抽出する,という方法論を構築してきた。聴覚生理学,脳科学の知見によれば,言語情報と非言語情報は分離して脳で処理されているとのモデルが提案されている。即ち「集めること」なく,両者を分離できる,ということである。本研究では,音声の物理現象から話者,音響機器特性などの静的な非言語情報を分離する枠組みを,脳科学の知見を考慮しつつ提案した。その応用として,一人の話者の音声を用いた不特定話者音声認識や,感情・意図といったパラ言語情報の高精度抽出を実現した。ケプストラムの時系列として表現される音声スペクトルを分布系列へと変換し,任意の二分布間距離と求める。この時,非ユークリッド空間における分布間距離を採用する(バタチャリヤ距離)と,非言語的特徴を表現する数学モデルであるアフィン変換に対して,分布間距離は不変となる。全ての二分布間距離を求めることは,全分布で張られる幾何学構造を規定することに等しいが,距離不変は構造不変の性質をもたらす。これは,構造音韻論と呼ばれる言語学の一分野を数学的,物理学的に解釈することに成功したことを意味する。音的差異(コントラスト)のみに着眼して音声を構造的に表象する方法論に基づいて,音声認識,及び感情・意図推定を検討した。前者については,孤立母音系列という非常に限られたタスクではあるが,四千人以上の音声データを用いた音響モデルよりも高い精度を示し,後者においても,ピッチに関する情報を付与することで従来方法と比較して,より精度の高い方法を実現した。

Sound information, verbal information, verbal information, and non-verbal information are all classified.従来のvocal intelligence processingパラダイムでは,まずパラverbal intelligenceを声のphysical phenomenonからSeparationし,verbal intelligence+non-verbal intelligenceとなった音声に対して,non Verbal intelligence の和をとることで(ie, thousands, tens of thousands of という说者の音声をassembleめることで) verbal intelligence をdraw out する, というmethodologyをconstruct してきた.聴覚physiology, 脳scienceの知见によれば, verbal intelligence and non-verbal intelligenceはseparationして脳でprocessingされているとのモデルが proposalされている. That is, ち「SETめること」なく,両人を分できる,ということである. This research is based on the physical phenomenon of sound, the speaker, the characteristics of the sound machine, the quiet non-verbal information, the separation of the non-verbal information, the scientific knowledge, and the consideration of the proposal.その応用として, one person's speaker's voice を用いたUnspecified speaker's voice recognition や, feelings and meanings といったパラverbal information のhigh-precision extraction を実appears した. The ケプストラムの时 series として expresses the される sound スペクトルを distribution series へと変changeし, and the distance between any two distributions is calculated める. The distance between distributions in the non-ユークリッド space is determined by using the non-する(バタチャリヤ distance)と, non- The characteristics of the language are expressed in mathematics and mathematics, and the distance between distributions is not changed. The distance between two distributions is determined by the calculation, the geometric structure of the complete distribution is determined by the geometric structure of the distribution, and the distance does not change the structure and the property does not change.これは, structural phonology theory とcall ばれるlinguistics の一分field をmathematics, にsolved 釈釈することにsuccessful したことをmeaning する in physics. Differences in sound (コントラスト) のみに Eyes して Sound を Structure に Representation する Methodology に Base づいて , Sound recognition , and び Emotions and meaning inference を検した . The former については, the isolated vowel series というvery にlimited られたタスクではあるが, the voice sound of more than 4,000 people is used by the いた sound モデルよりも高いPrecisionをshowし,The latterにおいても,ピッチに关するInformationをpaidすることで従来 MethodとComparisonして,よりPrecisionの高いmethodを実成した.