特許 6894874 発話保護装置、発話保護方法、及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6894874

(24)【登録日】2021年6月8日

(45)【発行日】2021年6月30日

(54)【発明の名称】発話保護装置、発話保護方法、及びプログラム

(51)【国際特許分類】

   G10K 11/175 20060101AFI20210621BHJP

   G10L 25/03 20130101ALI20210621BHJP

【ＦＩ】

   G10K11/175

   G10L25/03

【請求項の数】6

【全頁数】12

(21)【出願番号】特願2018-140287(P2018-140287)

(22)【出願日】2018年7月26日

(65)【公開番号】特開2020-16777(P2020-16777A)

(43)【公開日】2020年1月30日

【審査請求日】2020年6月26日

(73)【特許権者】

【識別番号】000208891

【氏名又は名称】ＫＤＤＩ株式会社

(74)【代理人】

【識別番号】100166006

【弁理士】

【氏名又は名称】泉 通博

(74)【代理人】

【識別番号】100124084

【弁理士】

【氏名又は名称】黒岩 久人

(74)【代理人】

【識別番号】100153280

【弁理士】

【氏名又は名称】寺川 賢祐

(72)【発明者】

【氏名】米川 慧

(72)【発明者】

【氏名】小原 朋広

(72)【発明者】

【氏名】小林 亜令

【審査官】 西村 純

(56)【参考文献】

【文献】 特表２０１７−５１３３８１（ＪＰ，Ａ）

【文献】 特開２０１１−１５４１３９（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ１０Ｋ １１／１７５−１１／１７８

Ｇ１０Ｌ ２５／０３−２５／２４

(57)【特許請求の範囲】

【請求項1】

発話者の会話音声である発話音声信号を取得する信号取得部と、
乱数を入力とする音声生成モデルを用いて擬似音声信号を生成する信号生成部と、
入力された信号が前記発話音声信号である蓋然性を出力する識別モデルに前記発話音声信号又は前記擬似音声信号を入力して前記蓋然性を示す指標値を取得する信号識別部と、
前記識別モデルに前記発話音声信号を入力したときの指標値と、前記識別モデルに前記擬似音声信号を入力したときの指標値との２つの指標値を含む第１評価関数の評価値に基づいて前記識別モデルを更新するとともに、前記識別モデルに前記擬似音声信号を入力したときの指標値を含む第２評価関数の評価値に基づいて前記音声生成モデルを更新するモデル更新部と、
前記発話者の発話中に、前記音声生成モデルを用いて前記信号生成部が生成した擬似音声信号を音声に変換して出力する発音部と、
を備える発話保護装置。

【請求項2】

前記第１評価関数は、前記識別モデルに前記発話音声信号を入力したときの指標値が大きいほど大きな評価値を出力し、かつ前記識別モデルに前記擬似音声信号を入力したときの指標値が小さいほど大きな評価値を出力するように構成されており、
前記モデル更新部は、前記第１評価関数の指標値が大きくなるように、前記識別モデルを更新する、
請求項１に記載の発話保護装置。

【請求項3】

前記第２評価関数は、前記識別モデルに前記擬似音声信号を入力したときの指標値が大きいほど小さな評価値を出力するように構成されており、
前記モデル更新部は、前記第２評価関数の指標値が小さくなるように、前記音声生成モデルを更新する、
請求項１又は２に記載の発話保護装置。

【請求項4】

前記発話者の会話を認識する会話認識部をさらに備え、
前記発音部は、前記会話認識部が前記発話者の会話を認識することを契機として、前記信号生成部が生成した擬似音声信号を音声に変換して出力する、
請求項１から３のいずれか１項に記載の発話保護装置。

【請求項5】

プロセッサが、
発話者の会話音声である発話音声信号を取得するステップと、
乱数を入力とする音声生成モデルを用いて擬似音声信号を生成するステップと、
入力された信号が前記発話音声信号である蓋然性を出力する識別モデルに前記発話音声信号又は前記擬似音声信号を入力して前記蓋然性を示す指標値を取得するステップと、
前記識別モデルに前記発話音声信号を入力したときの指標値と、前記識別モデルに前記擬似音声信号を入力したときの指標値との２つの指標値を含む第１評価関数の評価値に基づいて前記識別モデルを更新するステップと、
前記識別モデルに前記擬似音声信号を入力したときの指標値を含む第２評価関数の評価値に基づいて前記音声生成モデルを更新するステップと、
前記発話者の発話中に、前記音声生成モデルを用いて生成された擬似音声信号を音声に変換して出力するステップと、
を実行する発話保護方法。

【請求項6】

コンピュータに、
発話者の会話音声である発話音声信号を取得する機能と、
乱数を入力とする音声生成モデルを用いて擬似音声信号を生成する機能と、
入力された信号が前記発話音声信号である蓋然性を出力する識別モデルに前記発話音声信号又は前記擬似音声信号を入力して前記蓋然性を示す指標値を取得する機能と、
前記識別モデルに前記発話音声信号を入力したときの指標値と、前記識別モデルに前記擬似音声信号を入力したときの指標値との２つの指標値を含む第１評価関数の評価値に基づいて前記識別モデルを更新する機能と、
前記識別モデルに前記擬似音声信号を入力したときの指標値を含む第２評価関数の評価値に基づいて前記音声生成モデルを更新する機能と、
前記発話者の発話中に、前記音声生成モデルを用いて生成された前記擬似音声信号を音声に変換して出力する機能と、
を実現させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は発話保護装置、発話保護方法、及びプログラムに関し、特に、人間の発話にマスキングするマスキング音声を生成する技術に関する。

【背景技術】

【0002】

人間の聴力においては他の音（マスカー）の存在によってある音（マスキー）が聞こえにくくなるマスキング効果の存在が指摘されている。マスキング効果はマスカーの周波数特性がマスキーに近いほど高くなることが知られており、さらに発話音声の場合には言語や意味が似ているほど認識が困難となることが知られている。

【0003】

人間の発話にマスキングする技術の中には、話者の発話をある時間長で分割したフレームを逆再生したりランダムに並び替えたりしてマスカーとして出力する手法が存在する（例えば、特許文献１を参照）。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００８−２３３６７１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

マスキング効果は、発話者の発話内容が第三者に漏洩することを防止するスピーチプライバシーの保護に利用されうる。しかしながら、上記のような入力された音声に対して逐次的にフレームの並び替えや逆再生を実行する方式では、直近の音響特性が保持されるため、統計的機械学習に基づく音声認識により発言内容の推定が可能となる恐れがある。

【0006】

本発明はこれらの点に鑑みてなされたものであり、スピーチプライバシーの保護の堅牢性を高める技術を提供することを目的とする。

【課題を解決するための手段】

【0007】

本発明の第１の態様は、発話保護装置である。この装置は、発話者の会話音声である発話音声信号を取得する信号取得部と、乱数を入力とする音声生成モデルを用いて擬似音声信号を生成する信号生成部と、入力された信号が前記発話音声信号である蓋然性を出力する識別モデルに前記発話音声信号又は前記擬似音声信号を入力して前記蓋然性を示す指標値を取得する信号識別部と、前記識別モデルに前記発話音声信号を入力したときの指標値と、前記識別モデルに前記擬似音声信号を入力したときの指標値との２つの指標値を含む第１評価関数の評価値に基づいて前記識別モデルを更新するとともに、前記識別モデルに前記擬似音声信号を入力したときの指標値を含む第２評価関数の評価値に基づいて前記音声生成モデルを更新するモデル更新部と、前記発話者の発話中に、前記音声生成モデルを用いて前記信号生成部が生成した擬似音声信号を音声に変換して出力する発音部と、を備える。

【0008】

前記第１評価関数は、前記識別モデルに前記発話音声信号を入力したときの指標値が大きいほど大きな評価値を出力し、かつ前記識別モデルに前記擬似音声信号を入力したときの指標値が小さいほど大きな評価値を出力するように構成されてもよく、前記モデル更新部は、前記第１評価関数の指標値が大きくなるように、前記識別モデルを更新してもよい。

【0009】

前記第２評価関数は、前記識別モデルに前記擬似音声信号を入力したときの指標値が大きいほど小さな評価値を出力するように構成されてもよく、前記モデル更新部は、前記第２評価関数の指標値が小さくなるように、前記音声生成モデルを更新してもよい。

【0010】

前記発話保護装置は、前記発話者の会話を認識する会話認識部をさらに備えてもよく、前記発音部は、前記会話認識部が前記発話者の会話を認識することを契機として、前記信号生成部が生成した擬似音声信号を音声に変換して出力してもよい。

【0011】

本発明の第２の態様は、発話保護方法である。この方法において、プロセッサが、発話者の会話音声である発話音声信号を取得するステップと、乱数を入力とする音声生成モデルを用いて擬似音声信号を生成するステップと、入力された信号が前記発話音声信号である蓋然性を出力する識別モデルに前記発話音声信号又は前記擬似音声信号を入力して前記蓋然性を示す指標値を取得するステップと、前記識別モデルに前記発話音声信号を入力したときの指標値と、前記識別モデルに前記擬似音声信号を入力したときの指標値との２つの指標値を含む第１評価関数の評価値に基づいて前記識別モデルを更新するステップと、前記識別モデルに前記擬似音声信号を入力したときの指標値を含む第２評価関数の評価値に基づいて前記音声生成モデルを更新するステップと、前記発話者の発話中に、前記音声生成モデルを用いて生成された擬似音声信号を音声に変換して出力するステップと、を実行する。

【0012】

本発明の第３の態様は、プログラムである。このプログラムは、コンピュータに、発話者の会話音声である発話音声信号を取得する機能と、乱数を入力とする音声生成モデルを用いて擬似音声信号を生成する機能と、入力された信号が前記発話音声信号である蓋然性を出力する識別モデルに前記発話音声信号又は前記擬似音声信号を入力して前記蓋然性を示す指標値を取得する機能と、前記識別モデルに前記発話音声信号を入力したときの指標値と、前記識別モデルに前記擬似音声信号を入力したときの指標値との２つの指標値を含む第１評価関数の評価値に基づいて前記識別モデルを更新する機能と、前記識別モデルに前記擬似音声信号を入力したときの指標値を含む第２評価関数の評価値に基づいて前記音声生成モデルを更新する機能と、前記発話者の発話中に、前記音声生成モデルを用いて生成された前記擬似音声信号を音声に変換して出力する機能と、を実現させる。

【発明の効果】

【0013】

本発明によれば、スピーチプライバシーの保護の堅牢性を高めることができる。

【図面の簡単な説明】

【0014】

【図1】実施の形態に係る発話保護装置の利用シーンの一例を模式的に示す図である。

【図2】実施の形態に係る発話保護装置の機能構成を模式的に示す図である。

【図3】実施の形態に係るモデル更新部が参照する第１評価関数と第２評価関数との性質を示す図である。

【図4】実施の形態に係る生成モデルデータベースのデータ構造を模式的に示す図である。

【図5】実施の形態に係る発話保護装置が実行する発話保護処理の流れを説明するためのフローチャートである。

【発明を実施するための形態】

【0015】

＜実施の形態の概要＞
図１は、実施の形態に係る発話保護装置１の利用シーンの一例を模式的に示す図である。以下、図１を参照して、実施の形態の概要を述べる。

【0016】

近年、仮想空間をビジネスオフィスとして打ち合わせ等に用いようとするＶＲ（Virtual Reality）オフィスの開発が盛んである。図１は、そのようなＶＲオフィスの一例を示しており、インターネットカフェ等のような形で一人ごとに簡易なセパレータで区切られたブースＢをＶＲオフィスとして提供している様子を示している。具体的には、ブースＢにおいて、ユーザＵがヘッドセット２を装着して、遠隔会議装置としての機能も有する発話保護装置１を用いて会話をしている様子を示している。

【0017】

ＶＲオフィスにおいては業務上の機密事項の会話もなされるため、スピーチプライバシー保護が必要となる。ブースＢのセパレータ、個室の壁、口を覆うデバイスのいずれにおいても、音声が物体を振動させて伝搬するという特性から、遮蔽物の存在のみでは必ずしも十分なプライバシー保護効果が得られるとは限らない。そこで、実施の形態に係る発話保護装置１はスピーカ３を備えており、ユーザＵが発話することによって発生する音声データに模した擬似音声データをユーザＵの発話に重畳させることにより、ユーザＵのスピーチプライバシーを保護する。

【0018】

実施の形態に係る発話保護装置１は、ユーザＵの発話をマスキングするための擬似音声データをユーザＵの発話中に発生させ、ユーザＵの発話が第三者に解読されることを抑制するための装置である。ここで、発話保護装置１は、乱数（擬似的な乱数を含む）を入力して、ユーザＵの発話によって生じた音声を模した指示音声信号を発生するように機械学習された音声生成モデルを用いて擬似音声データを発生させる。

【0019】

発話保護装置１が生成する擬似音声データは、乱数を起源として生成された音声データである。このため、発話保護装置１が生成する擬似音声データはユーザＵが発話することによって発生する音声データと長時間の統計的性質を比較すると似ているものの、短時間の統計的性質を比較すると発話内容の文脈とは独立に生成されるためユーザＵが発話することによって発生する音声データとは異なるものとなる。これにより、第三者が発話保護装置１の擬似音声データを統計的機械学習に基づく音声認識により解析したとしても、ユーザＵの発話内容が推定されることを抑制できる。結果として、実施の形態に係る発話保護装置１は、ユーザＵのスピーチプライバシーの保護の堅牢性を高めることができる。

【0020】

なお、図１はユーザＵの口を覆うヘッドセット２のマイク部分の外部にマスキングサウンドを発生するスピーカ３がある場合を図示しているがそれには限られない。例えば、ヘッドセット２のマイク部分とスピーカ３とが同一の装置として実現されていてもよい。また、図１は発話保護装置１と遠隔会議装置とは異なる装置であってもよい。

【0021】

＜実施の形態に係る発話保護装置１の機能構成＞
図２は、実施の形態に係る発話保護装置１の機能構成を模式的に示す図である。発話保護装置１は、記憶部１０と制御部１１とを備える。図２において、矢印は主なデータの流れを示しており、図２に示していないデータの流れがあってもよい。図２において、各機能ブロックはハードウェア（装置）単位の構成ではなく、機能単位の構成を示している。そのため、図２に示す機能ブロックは単一の装置内に実装されてもよく、あるいは複数の装置内に分かれて実装されてもよい。機能ブロック間のデータの授受は、データバス、ネットワーク、可搬記憶媒体等、任意の手段を介して行われてもよい。

【0022】

記憶部１０は、発話保護装置１を実現するコンピュータのＢＩＯＳ（Basic Input Output System）等を格納するＲＯＭ（Read Only Memory）や発話保護装置１の作業領域となるＲＡＭ（Random Access Memory）、ＯＳ（Operating System）やアプリケーションプログラム、当該アプリケーションプログラムの実行時に参照される種々の情報を格納するＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の大容量記憶装置である。

【0023】

制御部１１は、発話保護装置１のＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のプロセッサであり、記憶部１０に記憶されたプログラムを実行することによって信号取得部１１０、乱数発生部１１１、信号生成部１１２、信号識別部１１３、モデル更新部１１４、発音部１１５、会話認識部１１６として機能する。

【0024】

なお、図２は、発話保護装置１が単一の装置で構成されている場合の例を示している。しかしながら、発話保護装置１は、例えばクラウドコンピューティングシステムのように複数のプロセッサやメモリ等の計算リソースによって実現されてもよい。この場合、制御部１１を構成する各部は、複数の異なるプロセッサの中の少なくともいずれかのプロセッサがプログラムを実行することによって実現される。

【0025】

信号取得部１１０は、発話保護装置１のユーザＵである発話者の会話音声を、ユーザＵが装着するヘッドセット２のマイクロフォンから発話音声信号として取得する。乱数発生部１１１は乱数を生成する。例えば、乱数発生部１１１は、Ｍ系列を用いた擬似乱数を生成することで乱数を発生させる。信号生成部１１２は、乱数を入力として擬似音声信号を出力する音声生成モデル１００に乱数発生部１１１が生成した乱数を入力することにより、擬似音声信号を生成する。

【0026】

音声生成モデル１００は、例えば、畳み込みニューラルネットワーク（Convolutional Neural Network；ＣＮＮ）を用いた機械学習によって生成することができる。ＣＮＮは多層パーセプトロンモデルにおいて共有重みを持つ局所受容野という構造を導入することにより局所的な特徴の抽出だけでなくより高次の特徴の抽出を可能としたモデルであり、一般的には例えば画像と分類カテゴリの組を教師データとして、画像が入力されたときに推定される分類カテゴリを出力するよう学習される。本発明では、音声生成モデル１００は、後述の方法によって、入力となる乱数発生部１１１が生成した乱数の分布を出力となるユーザＵの発話音声信号の分布に対応付けるよう学習され、乱数が入力された時に発話音声信号を出力するように学習される生成モデルである。

【0027】

信号識別部１１３は、記憶部１０から識別モデル１０１を読み出す。識別モデル１０１は、音声信号が入力された時、入力された信号がユーザＵに由来する発話音声信号である蓋然性を示す指標値を出力するように機械学習された学習モデルである。信号識別部１１３は、識別モデル１０１に信号取得部１１０が取得した発話音声信号又は信号生成部１１２が生成した擬似音声信号を入力して、蓋然性を示す指標値を取得する。

【0028】

識別モデル１０１は、例えば、ＣＮＮを用いた機械学習によって生成することができる。識別モデル１０１は、ユーザＵの発話音声信号又は信号生成部１１２が生成した擬似音声信号のいずれの信号であるかが既知である教師データを用いて、音声信号が入力されたときにユーザＵの発話音声信号である蓋然性を出力するよう学習される識別モデルである。

【0029】

識別モデル１０１は、例えば、０以上１以下の実数を出力するように学習されている。識別モデル１０１にユーザＵの発話音声信号が入力されると、識別モデル１０１は１に近い値を出力する。一方、識別モデル１０１に信号生成部１１２が生成した擬似音声信号が入力されると、識別モデル１０１は０に近い値を出力する。このため、識別モデル１０１が出力する値は、識別モデル１０１に入力された信号がユーザＵに由来する発話音声信号である蓋然性を示す指標値となる。

【0030】

モデル更新部１１４は、識別モデル１０１にユーザＵの発話音声信号を入力したときの指標値と、識別モデル１０１に信号生成部１１２が生成した擬似音声信号を入力したときの指標値との２つの指標値を取得する。モデル更新部１１４は、取得した２つの指標値を含む第１評価関数の評価値に基づいて、識別モデル１０１を更新する。具体的には、識別モデル１０１がＣＮＮで生成された学習モデルである場合、モデル更新部１１４は、第１評価関数の評価値に基づいて例えば確率的勾配降下法を用いて識別モデル１０１を構成するパラメータであるニューラルネットワークの重みを更新する。

【0031】

また、モデル更新部１１４は、識別モデル１０１に信号生成部１１２が生成した擬似音声信号を入力したときの指標値を含む第２評価関数の評価値に基づいて、音声生成モデル１００を更新する。具体的には、音声生成モデル１００がＲＮＮで生成された学習モデルである場合、モデル更新部１１４は、第２評価関数の評価値に基づいて例えば確率的勾配降下法を用いて音声生成モデル１００を構成するパラメータであるニューラルネットワークの重みを更新する。

【0032】

図３は、実施の形態に係るモデル更新部１１４が参照する第１評価関数と第２評価関数との性質を示す図である。図３に示すように、第１評価関数は、識別モデル１０１に発話音声信号を入力したときの指標値Ｍが大きいほど大きな評価値Ｅ１を出力し、かつ識別モデル１０１に擬似音声信号を入力したときの指標値Ｍが小さいほど大きな評価値Ｅ１を出力するように構成されている。

【0033】

ここで、識別モデル１０１にユーザＵの発話音声信号を入力したときの指標値Ｍが大きくなることは、識別モデル１０１が発話音声信号を正しく識別することを示している。また、識別モデル１０１に擬似音声信号を入力したときの指標値Ｍが小さくなることも、識別モデル１０１が擬似音声信号を正しく識別することを示している。したがって、モデル更新部１１４が、第１評価関数の評価値Ｅ１が大きくなるように、識別モデル１０１を更新することにより、識別モデル１０１の認識性能は高まる。

【0034】

また、第２評価関数は、識別モデル１０１に擬似音声信号を入力したときの指標値Ｍが小さいほど大きな評価値Ｅ２を出力するように構成されている。逆に言うと、第２評価関数は、識別モデル１０１に擬似音声信号を入力したときの指標値Ｍが大きいほど小さな評価値Ｅ２を出力するように構成されている。

【0035】

ここで、識別モデル１０１に擬似音声信号を入力したときの指標値Ｍが大きくなることは、信号生成部１１２が生成した擬似音声信号を、識別モデル１０１がユーザＵの発話音声信号と判定できないこと、すなわち、信号生成部１１２がユーザＵの発話音声信号と類似する音声信号を生成できたことを示している。したがって、モデル更新部１１４が第２評価関数の指標値が小さくなるように、音声生成モデル１００を更新することにより、信号生成部１１２の擬似音声信号の生成能力が高まる。

【0036】

上記の性質を満たす評価関数の一例を以下の式（１）、式（２）、及び式（３）に示す。

【0037】

【数1】

【0038】

ここで、ＸはユーザＵの発話音声信号の集合、ｘはＸの要素、Ｚは乱数の集合、ｚはＺの要素である。Ｄ（ｘ）は発話音声信号ｘを入力とする識別モデル１０１の出力、すなわち入力された発話音声信号ｘが発話音声信号である蓋然性を算出した結果であり、Ｄが理想的な場合には１となる。Ｇ（ｚ）は乱数に基づいて信号生成部１１２が生成した擬似音声信号である。したがって、Ｄ（Ｇ（ｚ））は音声生成モデル１００が生成した擬似音声信号を入力とする識別モデル１０１の出力、すなわち入力された擬似音声信号Ｇ（ｚ）が発話音声信号である蓋然性を算出した結果であり、Ｄが理想的な場合には０となる一方で、Ｇが理想的であれば１となる。

【0039】

式（１）は更新処理の全体像をまとめて示す式である。モデル更新部１１４は、関数Ｄ、すなわち識別モデル１０１を更新する際には、発話音声信号の集合Ｘの要素である発話音声信号ｘと、乱数の集合Ｚの要素である乱数ｚを用いて以下の式（２）に基づいて更新処理を実行する。

【0040】

【数2】

【0041】

関数Ｇ、すなわち音声生成モデル１００を更新する際には、モデル更新部１１４は、乱数の集合Ｚの要素である乱数ｚを用いて以下の式（３）に基づいて更新処理を実行する。

【0042】

【数3】

【0043】

モデル更新部１１４は、式（２）に基づく識別モデル１０１の更新と式（３）に基づく音声生成モデル１００の更新とを交互に繰り返すことにより、音声生成モデル１００の更新処理と識別モデル１０１の更新処理とを実行する。モデル更新部１１４の更新処理が進むと、音声生成モデル１００は、識別モデル１０１では発話音声信号か擬似音声信号かを判定ができないような擬似音声信号を生成できるようになる。

【0044】

発音部１１５は、発話者であるユーザＵの発話中に、音声生成モデル１００を用いて信号生成部１１２が生成した擬似音声信号を音声に変換してスピーカ３に出力させる。これにより、ユーザＵの付近に存在する第三者は、スピーカ３から出力される擬似音声信号のマスキング効果により、ユーザＵの会話を聞き取りづらくなる。ゆえに、発話保護装置１は、ユーザＵのスピーチプライバシーを保護することができる。

【0045】

ところで、発話保護装置１のユーザＵが異なれば、対応する音声生成モデル１００も異なる。このため、発話保護装置１は、発話者であるユーザＵの会話を認識する会話認識部１１６をさらに備えている。会話認識部１１６は、例えば既知の機械学習技術を用いて生成した会話認識エンジンである。

【0046】

図４は、実施の形態に係る生成モデルデータベース１０２のデータ構造を模式的に示す図である。生成モデルデータベース１０２は記憶部１０に格納されており、会話認識部１１６によって管理されている。図４に示すように、信号生成部１１２は、各ユーザＵを特定するための発話者識別子と、各ユーザＵに対応する音声生成モデル１００を特定するための生成モデル識別子とが対応づけて格納している。

【0047】

会話認識部１１６は、信号取得部１１０が取得したユーザＵの発話音声信号に基づいてユーザＵを認識し、そのユーザＵの発話者識別子を取得する。信号生成部１１２は、会話認識部１１６が取得した発話者識別子に基づいて生成モデルデータベース１０２を参照することにより、ユーザＵに対応する音声生成モデル１００の生成モデル識別子を取得する。

【0048】

信号生成部１１２は、取得した生成モデル識別子に基づいて記憶部１０からユーザＵに対応する音声生成モデル１００を読み出す。このように、発音部１１５は、会話認識部１１６が発話者であるユーザＵの会話を認識することを契機として、信号生成部１１２が記憶部１０から読み出した音声生成モデル１００を用いて生成した擬似音声信号を音声に変換してスピーカ３に出力させる。これにより、発音部１１５は、ユーザＵに適応した擬似音声信号を発生することができるので、ユーザＵのスピーチプライバシーを保護することができる。

【0049】

＜発話保護装置１が実行する学習方法の処理フロー＞
図５は、実施の形態に係る発話保護装置１が実行する発話保護処理の流れを説明するためのフローチャートである。本フローチャートにおける処理は、例えば発話保護装置１が起動したときに開始する。

【0050】

信号取得部１１０は、発話保護装置１のユーザＵである発話者の会話音声を発話音声信号として取得する（Ｓ２）。会話認識部１１６は、ユーザＵである発話者の会話を認識して発話者を特定する（Ｓ４）。信号生成部１１２は、生成モデルデータベース１０２を参照して会話認識部１１６が特定した発話者に対応する音声生成モデル１００を取得する（Ｓ６）。

【0051】

信号生成部１１２は、取得した音声生成モデル１００を用いて擬似音声信号を生成する（Ｓ８）。発音部１１５は、発話者の発話中に、音声生成モデル１００を用いて信号生成部１１２が生成した擬似音声信号を音声に変換して出力する（Ｓ１０）。

【0052】

モデル更新部１１４は、識別モデル１０１に発話音声信号を入力したときの指標値と、識別モデル１０１に擬似音声信号を入力したときの指標値との２つの指標値を用いて第１評価関数の評価値を取得する（Ｓ１２）。モデル更新部１１４は、第１評価関数の評価値に基づいて識別モデル１０１を更新する（Ｓ１４）。

【0053】

モデル更新部１１４は、識別モデル１０１に擬似音声信号を入力したときの指標値を用いて第２評価関数の評価値を取得する（Ｓ１６）。モデル更新部１１４は、第２評価関数の評価値に基づいて音声生成モデル１００を更新する（Ｓ１８）。

【0054】

ユーザＵが発話保護装置１の利用を終了するまでの間（Ｓ２０のＮｏ）、発話保護装置１はステップＳ８に戻ってステップＳ８からステップＳ１８の処理を繰り返す。ユーザＵが発話保護装置１の利用を終了すると（Ｓ２０のＹｅｓ）、本フローチャートにおける処理は終了する。

【0055】

＜実施の形態に係る発話保護装置１が奏する効果＞
以上説明したように、実施の形態に係る発話保護装置１によれば、スピーチプライバシーの保護の堅牢性を高めることができる。

【0056】

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の分散・統合の具体的な実施の形態は、以上の実施の形態に限られず、その全部又は一部について、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を合わせ持つ。

【符号の説明】

【0057】

１・・・発話保護装置
１０・・・記憶部
１００・・・音声生成モデル
１０１・・・識別モデル
１０２・・・生成モデルデータベース
１１・・・制御部
１１０・・・信号取得部
１１１・・・乱数発生部
１１２・・・信号生成部
１１３・・・信号識別部
１１４・・・モデル更新部
１１５・・・発音部
１１６・・・会話認識部
２・・・ヘッドセット
３・・・スピーカ
Ｂ・・・ブース

【図1】

【図2】

【図3】

【図4】

【図5】