音声における快-不快の程度推定のための学習データの検討

摘要

音声情報処理の分野において，音声の感情認識は音声データベースを用いて行なわれる場合がほとんどである。一般的に，感情音声データベースには2 種類ある。１つは,発話に対する感情を「怒り」「喜び」といったカテゴリとしてラベル付けをするデータベースである。もう1 つは,発話に対して感情の強度がラベル付けされているデータベースである。自然発話に対して感情の強度がラベル付けされているデータベースでは，感情ラベルの数の分布は，感情の強度が中程度の発話が多くなる傾向がある。そのようなデータベースを用いて，データ数の偏りを考慮せずに感情推定の精度を評価した場合，一見すると良い結果が得られることがある。しかし実際は，発話数の多い，感情強度が中程度の発話のみを正しく推定し，それ以外の発話を正しく推定できていない可能性がある。つまり，全感情強度の平均的な推定精度だけでなく，感情強度ごとの推定精度の評価を行なう必要があると考える。