音声/非音声判別法を用いた時間圧縮音声再生法

摘要

近年HDDレコーダやDVDレコーダ等の映像録画機器の普及に伴い，大量の映像·音声に関するマルチメディアの蓄積が容易になっている．データの蓄積は専用機械によって自動的に行われる一方データの視聴は人間が行わざるを得ないため，大量のデータを視聴する場合には視聴速度の向上が求められる．本報告では元となるマルチメディアデータの音声データに着目し，データ中の音声区間の再生を主とした時間圧縮音声再生法について提案する．提案手法は我々がこれまで提案してきた特徴量Block Cepstrum Fluxを用いた音声/非音声判別手法を用いて対象となる音声区間を検出した後に定常部削減を行う，音声/非音声のパターン認識に基づく時間圧縮音声再生法である．元となるデータから非音声区間を取り除くことにより音声区間を残すことになるため，一律に圧縮した場合よりも話速が遅くなり，より聞き取り易い圧縮音声を生成することが可能となる．圧縮音声を視聴した主観評価実験の結果はデータを一律に圧縮するPICOLA法を単独で用いた場合よりも良好な結果を得ることができ，提案手法とPICOLA法を併用することも可能であることを示した．