顔から声への統計的対応付けに関する技術的諸検討

• Item type: SIG Technical Reports(1)
• 公開日: 2017-06-10
• タイトル: 顔から声への統計的対応付けに関する技術的諸検討
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: ポスターセッション
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東京大学大学院工学系研究科電気系工学専攻
• 著者所属: 東京大学大学院工学系研究科電気系工学専攻
• 著者所属: 東京大学大学院工学系研究科電気系工学専攻
• 著者名: 大杉, 康仁; 齋藤, 大輔; 峯松, 信明
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 音声インターフェースを擬人化する場合に，合成音声とともに擬人化エージェントの顔を提示する方法があるが，どのような声や顔を選択すべきかという問題が生じる．本研究では，声の話者性と顔の静的な個人性に表われる声 ・ 顔の印象に基づいて，顔から声への統計的対応付けを検討した．声 ・ 顔の印象を表す特徴量の抽出には Eigenvoice と CLNF (Constrained Local Neural Filed) を使用し，GMM (Gaussian Mixture Model) または CCA (Canonical Correlation Analysis) に基づいて顔の特徴量から声の特徴量を推定した．ここでは，あらかじめ複数人の被験者を集め，ある顔に印象的に対応すると思われる声を対応付ける主観実験を実施し，顔と声を対応付けたパラレルコーパスを作成し，CCA 及び GMM の学習に利用した．ただし，顔と声の変換写像は被験者に依存する可能性を考慮し，被験者依存の形で実験を行った．比較においては，声の特徴量が表す話者の音声を Eigenvoice Conversion により合成し，そのメルケプストラムひずみを利用した．結果として，GMM を用いた方が CCA を用いるよりも精度が高く，より確率的な写像が有効であることが示唆された．
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10438388
• 書誌情報: 研究報告音楽情報科学（MUS）; 巻 2017-MUS-115, 号 34, p. 1-6, 発行日 2017-06-10
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8752
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会