複数のセンサ情報に基づく話者状況の理解

摘要

講義を電子的にアーカイブ化するとき、講義中の話者の状況を理解することは講義映像の撮影やインデクシングに有用である。 話者の状況は、人物の位置、音源の位置及び身振りの有無などで構成されるので、その推定には様々なセンサを組合せて用いることが不可欠である。 そこで本研究では、マイクロホンアレイ、観測カメラ、超音波定位センサを用いて話者の状況を推定する方法について述べる。 本手法に基づく推定結果を人手で判断した話者状況と比較した結果、83.0％の割合で正しく話者状況を推定していることが確認できた。