対談音声認識のための話者ダイアライゼーション

摘要

話者ダイアライゼーションとは，音声から「いつ，誰が発話したのか」を推定する技術である。話者を推定することができれば，話者適応化技術により音声認識率の改善が期待できる。本稿では，対談番組のような連続した音声に複数の話者が含まれる状況において，話者交代点を検出しつつ低遅延で話者を判定する手法を提案する。提案手法では，音素情報に基づいて音声区間を分類したマルチ音素クラスのベイズ情報量基準を用いることで，話者ダイアライゼーションの精度の向上を図った。報道系情報番組の対談部分を対象とした話者ダイアライゼーション実験を行った結果，遅れ時間２秒で話者判定するタスクにおいて，話者ダイアライゼーション誤りを従来手法に比べて20.0％削減することができた。この提案手法による話者判定結果を利用した音声認識の話者適応実験では，話者交代点前後の発話に関して7.8％の単語誤り削減率を得た。