息継ぎ音を利用した電話音声の発話分割

摘要

近年，音声認識を利用した通話監視技術に注目が集まっている．コールセンターを対象とした音声認識では，会話音声をあらかじめ発話単位に分割し，認識処理の不要な無音部分を取り除いた後，検出された発話の単位で認識処理を行う．そのため，各発話は文脈上意味のある単位で区切られていることが望ましい．しかし，従来の発話検出技術は，雑音の混入した入力信号から人間の発声部分を正確に抽出することにのみ焦点が当てられており，発話の検出単位については検討されてこなかった．本報告では，人間の息継ぎ音（吸気音）に注目し，入力信号から吸気音を高精度に検出することによって，入力音声を文脈上意味のある単位に，自動に分割する方法を提案する．提案法では，呼吸音に特化した音響特徴量を利用し，識別器を段階的に構成することによって吸気音を高精度に抽出する．提案法は97.4％の吸気音検出精度を達成し，音声認識性能の改善にも寄与することを確認した．