話者クラスタリングに基づく話者年齢・性別推定精度改善法

摘要

発話者の年齢と性別を音声からend-to-end で推定するニューラルネットワークを提案する．さらに各発話に対し，i-vector に基づく話者クラスタリングを適用し，得られた話者クラスタごとに年齢性別クラス分類結果を統合することで，各発話の年齢性別クラス分類精度を改善できることを示す．発話者の年齢や性別などの話者情報を音声信号から推定する技術が，音声インタフェースのパーソナライズ化やコールセンターにおける迅速な意思決定のために求められている．音声から年齢性別を推定するための手法として，Time delay neural network(TDNN) により年齢を推定する手法が提案されている．TDNN は音響特徴量から直接年齢を推定するend-to-end なモデルで，従来の複数の特徴量を用いる手法と同程度の高い性能が得られることが示されている．一方で，TDNN の構築には多くの学習データが必要で，学習データが少ないと特定の話者に過学習してしまうという問題があった．この問題を解決するためには，年齢や性別情報が付与された大量の学習データが必要となるが，これらメタデータが利用可能な音声コーパスは少なく，また，メタデータが付与されたコーパスにおいても収録話者の年齢の分布に偏りが大きいという問題があった．