話者照合のための声道長摂動に基づく疑似話者生成によるデータ拡張

• Item type: SIG Technical Reports(1)
• 公開日: 2024-02-22
• タイトル: 話者照合のための声道長摂動に基づく疑似話者生成によるデータ拡張
• タイトル / 言語: en
• タイトル: Vocal tract length perturbation-based pseudo-speaker augmentation for automatic speaker verification
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: SP1
• 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: 東京都立大学
• 著者所属: 東京都立大学
• 著者所属: 東京都立大学
• 著者所属(英): en
• 著者所属(英): Tokyo Metropolitan University
• 著者所属(英): en
• 著者所属(英): Tokyo Metropolitan University
• 著者所属(英): en
• 著者所属(英): Tokyo Metropolitan University
• 著者名: 若松, 智花; 塩田, さやか; 貴家, 仁志
• 著者名(英): Tomoka, Wakamatsu; Sayaka, Shiota; Hitoshi, Kiya
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年主流となっている深層学習モデルを用いた話者照合システムにおいて，信頼性の高いモデルを構築するためには大量の学習データが必要であり，データ拡張の適用が必要不可欠である．一般的に，ノイズを重畳することで発話数を増加させるデータ拡張手法が用いられることが多く，ほとんどの既存研究でその有効性が示されている．一方で，話者照合システムの性能は話者埋め込みベクトルの抽出器として用いる話者埋め込みネットワークの分類性能に依存することが知られており，学習データに含まれる話者数も性能の向上のために重要な要因の一つであるといえる．そこで本稿では，声道長の伸縮による話者性の変化に基づく疑似話者の生成を用いた話者数に対するデータ拡張手法を提案する．また，話者性の変化量が不十分な疑似話者の生成がかえって精度の低下に繋がる可能性を考慮し，話者性の変化量が十分な話者を選択するという手法についても検証した．x-vector に基づく話者照合において提案するデータ拡張手法の有効性を検証した結果，全ての疑似話者を使用する場合と比べて話者性の変化量を考慮した場合に話者照合の精度が向上したことが確認できた．さらに，提案する疑似話者拡張手法と従来のノイズ重畳による発話数の拡張を組み合わせることでデータ拡張の効果がより高くなり，JTubeSpeech-ASV データベースのテストセットにおいて 5.7% の EER を記録したことを報告する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In recent years, deep neural network (DNN)-based automatic speaker verification (ASV) systems have become mainstream. Data augmentation is an essential technique, as large amounts of training data are required to construct reliable ASV systems. It is well known that data augmentation increases the number of utterances by adding noise and is effective in most methods. However, it is known that the performance of ASV systems depends on the performance of the speaker embedding network used as the extractor of speaker embeddings. For this reason, the number of speakers in the training data is also an important factor for improving performance. Thus, we propose a method called pseudo-speaker augmentation, which utilizes a technique called vocal tract length (VTL) warping. Considering the possibility that generating pseudo-speakers with insufficient change in speaker characteristics may lead to a decrease in accuracy, we also examined the case where only using some speakers with a sufficient change of characteristics. In our experiments, the performance of the ASV system based on x-vector was improved when changes in speaker characteristics were taken into account. Furthermore, the highest performance was achieved in the system applying both the proposed pseudo-speaker augmentation and conventional utterance augmentation method, achieving an equal error rate of 5.7% on the JTubeSpeech-ASV database.
• 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: AN10442647
• 書誌情報: 研究報告音声言語情報処理（SLP）; 巻 2024-SLP-151, 号 1, p. 1-6, 発行日 2024-02-22
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8663
• 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