複数人会話シーン分析におけるマイクロホンアレイ音声処理

摘要

Recognition and understanding of conversation scenes has recently been tackled to achieve a variety of tasks such as automatic annotation, minute taking, and meeting assistance. Since participants speak spontaneously in a conversation, a recorded conversation includes many speaker overlaps and ambient noise. To handle such complicated recordings, speech signal processing techniques play an important role. This paper outlines some multi-channel speech enhancement and "who spoke when" estimation (speaker diarization) techniques for conversation scene analysis.%近年，会話音声の自動アノテーションや議事録作成，会議支援などを目的に，会話音声を認識・理解する会話シーン分析の研究が国内外で盛んに行なわれている．会話においては，複数話者が自由に発話することから，収録音声は複数話者の声や環境雑音が重畳された複雑な構造をしており，音声認識などの分析を行なう際には，様々な音声処理技術が必要である．本稿では，会話シーン分析で用いられる，マイクロホンアレイによる音声強調処理と話者区間推定（ダイアライゼーション）にフォーカスを当て，その代表的な技術を紹介する．