発話内分散に基づき動的に生成された話者空間による話者クラスタリング

摘要

Speech has two types of information, such as phoneme and speaker. If these information are separated, robust speaker clustering can be achieved. It is necessary to suppress the phonetic information for each utterance because variance of utterance duration is large in multi-party conversation. We propose a speaker clustering method using Gaussian mixture model in flexibly selected speaker subspace based on variance of intra-utterance. We carried out speaker clustering experiments compared with conventional methods based on Bayesian information criterion and Gaussian mixture model in an observation space. The experimental results showed that the proposed method can achieve higher clustering accuracy than conventional methods.%音声データには音韻性と話者性が含まれており，音韻性を抑制することでより頑健な話者クラスタリングが可能になると考えられる．また，多人数会話では発話の時間長のばらつきが大きいため，発話毎に音韻性を抑制する必要があると考えられる．そこで，本研究では主成分分析による空間分離手法を用いて発話ごとに音韻性と話者性の分離を行い，さらに，発話内分散に応じて最適な話者空間の次元数を設定することで，音韻性を抑制した話者空間を構築する手法を提案する．従来のBIC を用いた手法とGMM を用いたCLR による話者クラスタリング手法との比較実験を行った結果，提案手法が最も高いクラスタリング精度を実現した．