話者・音韻特徴抽出のためのディスエンタングリングニューラルネットワークの実現にむけて

摘要

フレーム単位の音響特徴量から話者性と音韻性をそれぞれ分離・抽出する表現学習の実現にむけて，各情報の抽出に適したネットワークの構造を調査した．データから所望の情報のみを含む表現を抽出するディスエンタングリングネットワークの研究が，画像処理の分野を中心に盛んに行われている．音声処理分野においても近年注目されはじめ，話者認識や音声認識，音声合成を中心に，話者性と音韻性に着目した手法が提案されている．話者性と音韻性を対象としたとき，画像など他分野では見られない特徴として，各情報が含まれる時間スケールが異なるという点が挙げられる．すなわち，音韻性は数十から数百ミリ秒程度の短い時間で観測可能なのに対し，話者性は数秒程度の比較的長い時間の中で捉えることができる．そのため先行研究の多くは，音韻性の表現はフレーム単位で抽出するのに対して，話者性の表現はセグメント単位で抽出することを前提としている．しかし，話者クラスタリングや話者ダイアリゼーション，話者交替検出のようなタスクにおいては，数フレーム程度の細かい単位で話者性を判別する必要があり，フレーム単位においても話者表現の抽出は重要である．フレーム単位の特徴表現抽出を目的とした手法としては，直交制約付きオートエンコーダを用いて話者情報と音韻情報をそれぞれ抽出するネットワークなどが提案されているが，音韻は数個の母音に限られ，また，話者性も個人性ではなく性別などの広いカテゴリに限定されていた．