特開 2023-139711 音声認証装置および音声認証方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023139711

(43)【公開日】2023-10-04

(54)【発明の名称】音声認証装置および音声認証方法

(51)【国際特許分類】

   G10L 17/20 20130101AFI20230927BHJP

   G10L 25/84 20130101ALI20230927BHJP

【ＦＩ】

G10L17/20

G10L25/84

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022045389

(22)【出願日】2022-03-22

(71)【出願人】

【識別番号】314012076

【氏名又は名称】パナソニックＩＰマネジメント株式会社

(74)【代理人】

【識別番号】110002000

【氏名又は名称】弁理士法人栄光事務所

(72)【発明者】

【氏名】宮本 正成

(57)【要約】

【課題】音声データ環境雑音の変化に起因する話者認証精度の低下を抑制する。
【解決手段】音声認証装置は、音声データを取得する取得部と、取得された音声データから話者が発話している発話区間と、話者が発話していない非発話区間とを検出する検出部と、事前に登録された複数の話者のそれぞれの音声データに非発話区間の音声データを合成する合成部と、非発話区間の音声データが合成された複数の合成音声データと、発話区間の音声データとに基づいて、話者を認証する認証部と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

音声データを取得する取得部と、
取得された前記音声データから話者が発話している発話区間と、前記話者が発話していない非発話区間とを検出する検出部と、
事前に登録された複数の話者のそれぞれの音声データに前記非発話区間の音声データを合成する合成部と、
前記非発話区間の音声データが合成された複数の合成音声データと、前記発話区間の音声データとに基づいて、前記話者を認証する認証部と、を備える、
音声認証装置。

【請求項2】

前記音声データから話者の特徴量を抽出する抽出部、をさらに備え、
前記認証部は、抽出された前記複数の合成音声データの特徴量と、前記発話区間の音声データの特徴量とに基づいて、前記話者を認証する、
請求項１に記載の音声認証装置。

【請求項3】

前記複数の合成音声データと、前記発話区間の音声データとの類似度を算出する算出部、をさらに備え、
前記認証部は、算出された複数の前記類似度に基づいて、前記話者を認証する、
請求項１に記載の音声認証装置。

【請求項4】

前記認証部は、算出された前記類似度が閾値以上であるか否かを判定し、前記類似度が前記閾値以上であると判定された音声合成データに対応する話者を前記話者であると特定する、
請求項３に記載の音声認証装置。

【請求項5】

前記認証部は、前記類似度が前記閾値以上である前記話者に関する情報を含む認証結果画面を生成して、出力する、
請求項４に記載の音声認証装置。

【請求項6】

前記認証部は、算出された前記複数の類似度が前記閾値以上でないと判定した場合、前記話者を特定不可であると判定する、
請求項５に記載の音声認証装置。

【請求項7】

前記検出部は、前記非発話区間に含まれるノイズを抽出し、
前記合成部は、前記複数の話者のそれぞれの前記音声データに前記ノイズを合成する、
請求項１に記載の音声認証装置。

【請求項8】

音声データを取得し、
取得された前記音声データから話者が発話している発話区間と、前記話者が発話していない非発話区間とを検出し、
事前に登録された複数の話者のそれぞれの音声データに前記非発話区間の音声データを合成し、
前記非発話区間の音声データが合成された複数の合成音声データと、前記発話区間の音声データとに基づいて、前記話者を認証する、
音声認証方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、音声認証装置および音声認証方法に関する。

【背景技術】

【0002】

特許文献１には、雑音を含む認識対象としての音声信号を入力し、入力された音声信号から雑音を除去し、雑音除去後の信号に既知雑音を付加し、雑音付加後の信号を音声認識用パラメータに変換し、パラメータを音響モデルと比較して音声認識を行う音声認識装置が開示されている。なお、ここでいう既知雑音とは、音声認識装置において参照されるパターンや統計的手法における音響モデル学習時に背景雑音として学習されたもの、あるいはそれと同様の特性を有する雑音である。音声認識装置は、入力された音声信号に既知雑音を付加することで、除去し切れなかった消し残り雑音を含む音声信号と、予め容易された音響モデルで認識される音声信号との齟齬を低減し、音声認識の精度を向上させる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００４－１２８８４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、音声信号を用いた声紋認証を行う場合、事前に登録される音声信号は、静かで雑音が発生しにくい環境で収音されることが多い。よって、既知雑音が付加された音声信号と、登録された音声信号とを用いて声紋認証を実行する場合には、付加された既知雑音により声紋認証精度が低下する可能性があった。

【0005】

本開示は、上述した従来の状況に鑑みて案出され、環境雑音の変化に起因する話者認証精度の低下を抑制する音声認証装置および音声認証方法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】

【0006】

本開示は、音声データを取得する取得部と、取得された前記音声データから話者が発話している発話区間と、前記話者が発話していない非発話区間とを検出する検出部と、事前に登録された複数の話者のそれぞれの音声データに前記非発話区間の音声データを合成する合成部と、前記非発話区間の音声データが合成された複数の合成音声データと、前記発話区間の音声データとに基づいて、前記話者を認証する認証部と、を備える、音声認証装置を提供する。

【0007】

また、本開示は、音声データを取得し、取得された前記音声データから話者が発話している発話区間と、前記話者が発話していない非発話区間とを検出し、事前に登録された複数の話者のそれぞれの音声データに前記非発話区間の音声データを合成し、前記非発話区間の音声データが合成された複数の合成音声データと、前記発話区間の音声データとに基づいて、前記話者を認証する、音声認証方法を提供する。

【発明の効果】

【0008】

本開示によれば、環境雑音の変化に起因する話者認証精度の低下を抑制できる。

【図面の簡単な説明】

【0009】

【図1】実施の形態に係る音声認証システムの内部構成例を示すブロック図

【図2】実施の形態における端末装置のプロセッサが行う各処理について説明する図

【図3】実施の形態における端末装置の動作手順例を示すフローチャート

【図4】実施の形態における端末装置の話者認証手順例を示すフローチャート

【発明を実施するための形態】

【0010】

以下、適宜図面を参照しながら、本開示に係る音声認証装置および音声認証方法を具体的に開示した実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明および実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。なお、添付図面および以下の説明は、当業者が本開示を十分に理解するために提供されるのであって、これらにより特許請求の範囲に記載の主題を限定することは意図されていない。

【0011】

まず、図１および図２を参照して、実施の形態に係る音声認証システム１００について説明する。図１は、実施の形態に係る音声認証システム１００の内部構成例を示すブロック図である。図２は、実施の形態における端末装置Ｐ１のプロセッサ１１が行う各処理について説明する図である。

【0012】

音声認証システム１００は、音声認証装置の一例としての端末装置Ｐ１と、モニタＭＮとを含む。なお、音声認証システム１００は、マイクＭＫあるいはモニタＭＮを含む構成であってもよい。

【0013】

マイクＭＫは、端末装置Ｐ１に事前に登録される話者ＵＳの発話音声を収音する。マイクＭＫは、収音された話者ＵＳの発話音声を、端末装置Ｐ１に登録される音声信号または音声データに変換する。マイクＭＫは、変換された音声信号または音声データを、通信部１０を介してプロセッサ１１に送信する。

【0014】

また、マイクＭＫは、話者認証に用いられる話者ＵＳの発話音声を収音する。マイクＭＫは、収音された話者ＵＳの発話音声を音声信号または音声データに変換する。マイクＭＫは、変換された音声信号または音声データを、通信部１０を介してプロセッサ１１に送信する。

【0015】

なお、マイクＭＫは、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、ノートＰＣ、スマートフォン、タブレット端末等の所定の装置が備えるマイクであってもよい。また、マイクＭＫは、ネットワーク（不図示）を介した無線通信により、音声信号または音声データを端末装置Ｐ１に送信してもよい。なお、以降の説明では、音声データを用いた話者認証処理について説明する。

【0016】

端末装置Ｐ１は、例えば、ＰＣ、ノートＰＣ、スマートフォン、タブレット端末等により実現され、話者ＵＳの発話音声に基づく話者認証を実行する。通信部１０と、プロセッサ１１と、メモリ１２と、特徴量抽出モデルデータベースＤＢ１と、登録話者データベースＤＢ２と、類似度計算モデルデータベースＤＢ３と、を含む。

【0017】

取得部の一例としての通信部１０は、マイクＭＫと、モニタＭＮとの間でデータ送受信可能に有線通信あるいは無線通信可能に接続される。ここでいう無線通信は、例えばＢｌｕｅｔｏｏｔｈ（登録商標）、ＮＦＣ（登録商標）等の近距離無線通信、またはＷｉ－Ｆｉ（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を介した通信である。

【0018】

なお、通信部１０は、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）等のインターフェースを介してマイクＭＫとの間でデータ送受信を実行してもよい。また、通信部１０は、ＨＤＭＩ（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｉｎｔｅｒｆａｃｅ，登録商標）等のインターフェースを介してモニタＭＮとの間でデータ送受信を実行してもよい。

【0019】

プロセッサ１１は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）を用いて構成されて、メモリ１２と協働して、各種の処理および制御を行う。具体的には、プロセッサ１１は、メモリ１２に保持されたプログラムおよびデータを参照し、そのプログラムを実行することにより、話者登録部１１１、ノイズ抽出部１１２、ノイズ合成部１１３、第１特徴量抽出部１１４、第２特徴量抽出部１１５、認証部１１６等の各部の機能を実現する。

【0020】

プロセッサ１１は、話者ＵＳの音声登録時に、話者登録部１１１の機能を実現することで、登録話者データベースＤＢ２への話者ＵＳの音声データの登録（格納）を実行する。また、プロセッサ１１は、話者ＵＳの音声認証時に、ノイズ抽出部１１２、ノイズ合成部１１３、第１特徴量抽出部１１４、第２特徴量抽出部１１５、認証部１１６の各部の機能を実現することで、話者認証処理を実行する。

【0021】

話者登録部１１１は、マイクＭＫから送信された話者ＵＳの音声データと、話者ＵＳの話者情報とを対応付けて、登録話者データベースＤＢ２に登録する。

【0022】

なお、話者情報は、音声データから音声認識により抽出されてもよいし、話者ＵＳが所有する端末（例えば、ＰＣ、ノートＰＣ、スマートフォン，タブレット端末）から取得されてもよい。また、ここでいう話者情報は、例えば、話者ＵＳを識別可能な識別情報、話者ＵＳの氏名、話者ＩＤ（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）等である。

【0023】

検出部の一例としてのノイズ抽出部１１２は、マイクＭＫから送信された話者ＵＳの音声データを取得する。ノイズ抽出部１１２は、音声データのうち話者ＵＳが発話している発話区間と、話者ＵＳが発話していない区間（以降、「非発話区間」と表記）とを検出する。ノイズ抽出部１１２は、検出された非発話区間に含まれるノイズを抽出し、抽出されたノイズのデータ（以降、「ノイズデータ」と表記）をノイズ合成部１１３に出力する。

【0024】

ここでいうノイズは、収音時の環境（背景）に起因して収音されたノイズであって、例えば、収音時の周囲の話し声、音楽、車両の走行音、風の音等である。

【0025】

合成部の一例としてのノイズ合成部１１３は、ノイズ抽出部１１２から出力されたノイズデータを取得する。ノイズ合成部１１３は、登録話者データベースＤＢ２に登録された複数の話者の登録音声データのそれぞれに取得されたノイズデータを合成し、第１特徴量抽出部１１４に出力する。

【0026】

抽出部の一例としての第１特徴量抽出部１１４は、ノイズ合成部１１３からノイズデータが合成された複数の話者の登録音声データのそれぞれを取得する。第１特徴量抽出部１１４は、特徴量抽出モデルデータベースＤＢ１に格納された特徴量抽出モデルを用いて、複数の話者の登録音声データのそれぞれから各話者の個人性を示す特徴量を抽出する。第１特徴量抽出部１１４は、複数の話者のそれぞれの特徴量を認証部１１６に出力する。

【0027】

抽出部の一例としての第２特徴量抽出部１１５は、マイクＭＫから送信された話者ＵＳの音声データを取得する。第２特徴量抽出部１１５は、特徴量抽出モデルデータベースＤＢ１に格納された特徴量抽出モデルを用いて、話者ＵＳの音声データから話者ＵＳの個人性を示す特徴量を抽出する。第２特徴量抽出部１１５は、話者ＵＳの特徴量を認証部１１６に出力する。

【0028】

算出部の一例としての認証部１１６は、第１特徴量抽出部１１４から出力された複数の話者のそれぞれの特徴量と、第２特徴量抽出部１１５から出力された話者ＵＳの特徴量との類似度を、類似度計算モデルデータベースＤＢ３に格納された類似度計算モデルを用いて算出する。認証部１１６は、算出された類似度に基づいて、話者ＵＳを特定する。認証部１１６は、特定された話者ＵＳの話者情報に基づいて、認証結果画面ＳＣを生成して、モニタＭＮに出力する。

【0029】

メモリ１２は、例えばプロセッサ１１の各処理を実行する際に用いられるワークメモリとしてのＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）と、プロセッサ１１の動作を規定したプログラムおよびデータを格納するＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）とを有する。ＲＡＭには、プロセッサ１１により生成あるいは取得されたデータもしくは情報が一時的に保存される。ＲＯＭには、プロセッサ１１の動作を規定するプログラムが書き込まれている。

【0030】

特徴量抽出モデルデータベースＤＢ１は、所謂ストレージであって、例えばフラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）あるいはＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶媒体を用いて構成される。特徴量抽出モデルデータベースＤＢ１は、音声データから話者ＵＳ等の人物の発話区間を検出し、人物の特徴量を抽出可能な特徴量抽出モデルを格納する。特徴量抽出モデルは、例えば、ディープラーニング等を用いた学習により生成された学習モデルである。

【0031】

登録話者データベースＤＢ２は、所謂ストレージであって、例えばフラッシュメモリ、ＨＤＤあるいはＳＳＤ等の記憶媒体を用いて構成される。登録話者データベースＤＢ２は、事前に登録された複数の話者のそれぞれの音声データと、話者情報とを対応付けて格納する。

【0032】

類似度計算モデルデータベースＤＢ３は、所謂ストレージであって、例えばフラッシュメモリ、ＨＤＤあるいはＳＳＤ等の記憶媒体を用いて構成される。類似度計算モデルデータベースＤＢ３は、２つの特徴量の類似度を算出可能な類似度計算モデルを格納する。類似度計算モデルは、例えば、ディープラーニング等を用いた学習により生成された学習モデルである。

【0033】

例えば、類似度計算モデルは、２つの多次元ベクトルの類似度を高精度に算出するために、個人性の表れやすい次元を事前学習しておき保持しておくものである。なお、モデルを利用した類似度の算出方法は、ベクトル間の類似度計算における手法のあくまで一例であって、ユークリッド距離やコサイン類似度などの既出の技術が用いられてもよい。

【0034】

モニタＭＮは、例えばＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）または有機ＥＬ（Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）等のディスプレイを用いて構成される。モニタＭＮは、端末装置Ｐ１から出力された認証結果画面ＳＣを表示する。

【0035】

認証結果画面ＳＣは、話者認証結果を話者ＵＳあるいは管理者（例えば、モニタＭＮを視聴する人物等）に通知する画面であって、認証結果情報「ＸＸ ＸＸさんの声と一致しました。」を含む。認証結果画面ＳＣは、他の話者情報（例えば、顔画像等）を含んでもよい。

【0036】

次に、図３を参照して、端末装置Ｐ１の動作手順について説明する。図３は、実施の形態における端末装置Ｐ１の動作手順例を示すフローチャートである。

【0037】

端末装置Ｐ１は、マイクＭＫから音声データを取得する（Ｓｔ１１）。なお、マイクＭＫは、例えば、ＰＣ、ノートＰＣ、スマートフォン、タブレット端末が備えるマイクであってもよい。

【0038】

端末装置Ｐ１は、取得された音声データに対応付けられた制御指令、あるいは話者情報に基づいて、登録話者データベースＤＢ２に登録するか否かを判定する（Ｓｔ１２）。なお、取得された音声データにノイズが多く含まれている場合には、登録話者データベースＤＢ２に登録せず、再度マイクＭＫから音声データを取得してもよい。音声データに含まれるノイズ量を一定値以下にすることにより、話者認証精度を向上することができる。

【0039】

端末装置Ｐ１は、ステップＳｔ１２の処理において、音声データに音声データの登録を要求する制御指令あるいは話者情報が対応付けられている場合には、登録話者データベースＤＢ２に登録すると判定し（Ｓｔ１２，ＹＥＳ）、音声データと話者情報とを対応付けて、登録話者データベースＤＢ２に登録する（Ｓｔ１４）。

【0040】

端末装置Ｐ１は、ステップＳｔ１２の処理において、音声データに音声データの登録を要求する制御指令が対応付けられていない場合には、登録話者データベースＤＢ２に登録しないと判定し（Ｓｔ１２，ＮＯ）、音声データのうち非発話区間に含まれるノイズを抽出する（Ｓｔ１３）。ここでいうノイズは、ノイズであって、音声データが収音された時の周囲の環境雑音、雑音等である。

【0041】

端末装置Ｐ１は、登録話者データベースＤＢ２に格納（登録）された複数の話者のそれぞれの音声データに、抽出されたノイズデータを合成する（Ｓｔ１５）。

【0042】

端末装置Ｐ１は、ノイズ合成後の複数の話者のそれぞれの音声データから、登録話者データベースＤＢ２に登録された各話者の個人性を示す特徴量を抽出する（Ｓｔ１６）。

【0043】

端末装置Ｐ１は、取得された音声データの発話区間から話者ＵＳの個人性を示す特徴量を抽出する（Ｓｔ１７）。

【0044】

端末装置Ｐ１は、抽出された話者ＵＳの特徴量と、複数の話者のそれぞれの特徴量とに基づいて、話者認証処理を実行する（Ｓｔ２０）。

【0045】

以上により、端末装置Ｐ１は、話者認証に用いられる音声データから抽出されたノイズを、登録話者データベースＤＢ２に登録された複数の話者のそれぞれの音声データに合成することで、音声データに含まれるノイズに起因する話者認証精度の低下をより効果的に抑制できる。

【0046】

次に、図４を参照して、図３に示すステップＳｔ２０に示す話者認証手順について説明する。図４は、実施の形態における端末装置Ｐ１の話者認証手順例を示すフローチャートである。

【0047】

端末装置Ｐ１は、類似度計算モデルデータベースＤＢ３から類似度計算モデルを読み込む（Ｓｔ２１）。

【0048】

端末装置Ｐ１は、取得された話者ＵＳの特徴量と、ノイズ合成後の複数の話者のそれぞれの特徴量との類似度をそれぞれ算出する（Ｓｔ２２）。

【0049】

端末装置Ｐ１は、算出された類似度のそれぞれのうち閾値以上の類似度があるか否かを判定する（Ｓｔ２３）。

【0050】

端末装置Ｐ１は、ステップＳｔ２３の処理において、算出された類似度のそれぞれのうち閾値以上の類似度があると判定した場合（Ｓｔ２３，ＹＥＳ）、閾値以上であると判定され類似度に対応する話者情報に基づいて、話者ＵＳを特定する（Ｓｔ２４）。なお、端末装置Ｐ１は、閾値以上であると判定された類似度が複数ある場合には、算出された類似度が最も高い類似度に対応する話者情報に基づいて、話者ＵＳを特定してもよい。

【0051】

端末装置Ｐ１は、ステップＳｔ２３の処理において、算出された類似度のそれぞれのうち閾値以上の類似度がないと判定した場合（Ｓｔ２３，ＮＯ）、話者ＵＳを特定不可であると判定する（Ｓｔ２５）。

【0052】

端末装置Ｐ１は、特定された話者ＵＳの話者情報に基づいて、認証結果画面ＳＣを生成する。端末装置Ｐ１は、生成された認証結果画面ＳＣをモニタＭＮに出力して、表示させる（Ｓｔ２６）。

【0053】

以上により、端末装置Ｐ１は、音声登録時の話者ＵＳの音声データにノイズが含まれず、音声認証時の話者ＵＳの音声データにノイズが含まれる場合であっても、話者認証精度の低下をより効果的に抑制できる。つまり、端末装置Ｐ１は、環境雑音（ノイズ）の変化に起因する話者認証精度の低下をより効果的に抑制できる。

【0054】

なお、端末装置Ｐ１は、音声登録時の話者ＵＳの音声データにノイズが含まれるか否かを判定してもよい。例えば、端末装置Ｐ１は、音声登録時の音声データに含まれるノイズが閾値未満であると判定した場合、音声データがノイズを含んでいないと判定し、音声登録処理を実行してもよい。この閾値は、例えば、特徴量を用いた話者認証処理において無視可能なノイズ、あるいは誤認証を誘発しない程度のノイズであるか否かを判定するための任意の値が設定されてよい。

【0055】

以上により、実施の形態に係る端末装置Ｐ１（音声認証装置の一例）は、音声データを取得する通信部１０（取得部の一例）と、取得された音声データから話者が発話している発話区間と、話者ＵＳが発話していない非発話区間とを検出するノイズ抽出部１１２（検出部の一例）と、事前に登録された複数の話者のそれぞれの音声データに非発話区間の音声データを合成するノイズ合成部１１３（合成部の一例）と、非発話区間の音声データが合成された複数の合成音声データと、発話区間の音声データとに基づいて、話者ＵＳを認証する認証部１１６と、を備える。

【0056】

これにより、実施の形態に係る端末装置Ｐ１は、音声登録時の話者ＵＳの音声データにノイズが含まれず、音声認証時の話者ＵＳの音声データにノイズが含まれる場合であっても、話者認証精度の低下をより効果的に抑制できる。

【0057】

また、以上により、実施の形態に係る端末装置Ｐ１は、音声データから話者の特徴量を抽出する第１特徴量抽出部１１４および第２特徴量抽出部１１５（抽出部の一例）、をさらに備える。認証部１１６は、抽出された複数の合成音声データの特徴量と、発話区間の音声データの特徴量とに基づいて、話者ＵＳを認証する。これにより、実施の形態に係る端末装置Ｐ１は、話者ＵＳの個人性を示す特徴量を用いて、話者認証を実行できる。

【0058】

また、以上により、実施の形態に係る端末装置Ｐ１は、複数の合成音声データと、発話区間の音声データとの類似度を算出する認証部１１６（算出部の一例）、をさらに備える。認証部１１６は、算出された複数の類似度に基づいて、話者ＵＳを認証する。これにより、実施の形態に係る端末装置Ｐ１は、事前に登録された複数の話者の特徴量と、話者ＵＳの特徴量との類似度を用いて、話者認証を実行できる。

【0059】

また、以上により、実施の形態に係る端末装置Ｐ１における認証部１１６は、算出された類似度が閾値以上であるか否かを判定し、類似度が閾値以上であると判定された音声合成データに対応する話者を話者ＵＳであると特定する。これにより、実施の形態に係る端末装置Ｐ１は、話者ＵＳの特徴量と話者の特徴量との類似度に基づいて、話者ＵＳをより高精度に特定できる。

【0060】

また、以上により、実施の形態に係る端末装置Ｐ１における認証部１１６は、類似度が閾値以上である話者に関する情報を含む認証結果画面ＳＣを生成して、出力する。これにより、実施の形態に係る端末装置Ｐ１は、話者ＵＳあるいは管理者に話者認証結果を提示できる。

【0061】

また、以上により、実施の形態に係る端末装置Ｐ１における認証部１１６は、算出された複数の類似度が閾値以上でないと判定した場合、話者ＵＳを特定不可であると判定する。これにより、実施の形態に係る端末装置Ｐ１は、話者認証精度の低下をより効果的に抑制し、話者ＵＳの誤認証をより効果的に抑制できる。

【0062】

また、以上により、実施の形態に係る端末装置Ｐ１におけるノイズ抽出部１１２は、非発話区間に含まれるノイズを抽出する。ノイズ合成部１１３は、複数の話者のそれぞれの音声データにノイズを合成する。これにより、実施の形態に係る端末装置Ｐ１は、音声登録時の音声データに音声認証時のノイズを合成することで、音声登録時と音声認証時との発話音声（音声データ）の収音環境を近づけることができ、環境雑音（ノイズ）の変化による話者認証精度の低下をより効果的に抑制できる。

【0063】

以上、図面を参照しながら各種の実施の形態について説明したが、本開示はかかる例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例、修正例、置換例、付加例、削除例、均等例に想到し得ることは明らかであり、それらについても当然に本開示の技術的範囲に属するものと了解される。また、発明の趣旨を逸脱しない範囲において、上述した各種の実施の形態における各構成要素を任意に組み合わせてもよい。

【産業上の利用可能性】

【0064】

本開示は、環境雑音の変化に起因する話者認証精度の低下を抑制する音声認証装置および音声認証方法として有用である。

【符号の説明】

【0065】

１０ 通信部
１１ プロセッサ
１２ メモリ
１００ 音声認証システム
１１１ 話者登録部
１１２ ノイズ抽出部
１１３ ノイズ合成部
１１４ 第１特徴量抽出部
１１５ 第２特徴量抽出部
１１６ 認証部
ＤＢ１ 特徴量抽出モデルデータベース
ＤＢ２ 登録話者データベース
ＤＢ３ 類似度計算モデルデータベース
ＭＫ マイク
ＭＮ モニタ
Ｐ１ 端末装置
ＳＣ 認証結果画面
ＵＳ 話者

【図1】

【図2】

【図3】

【図4】