特開 2024-76437 叫び声検知システム、音声分類方法、及び、音声分類モデルの生成方法

(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】P2024076437

(43)【公開日】2024-06-06

(54)【発明の名称】叫び声検知システム、音声分類方法、及び、音声分類モデルの生成方法

(51)【国際特許分類】

   G10L 15/10 20060101AFI20240530BHJP

【ＦＩ】

G10L15/10 500Z

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2022187934

(22)【出願日】2022-11-25

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り 公開の事実１：２０２２年２月２３日発行の「２０２２年春季研究発表会講演論文集」（日本音響学会）に掲載 公開の事実２：２０２２年３月１１日開催の「２０２２年春季研究発表会」（日本音響学会）にて発表 公開の事実３：２０２２年８月３１日発行の「２０２２年秋季研究発表会講演論文集」（日本音響学会）に掲載 公開の事実４：２０２２年９月１６日開催の「２０２２年秋季研究発表会」（日本音響学会）にて発表

(71)【出願人】

【識別番号】593006630

【氏名又は名称】学校法人立命館

(74)【代理人】

【識別番号】100111567

【弁理士】

【氏名又は名称】坂本 寛

(72)【発明者】

【氏名】福森 隆寛

(57)【要約】

【課題】第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して検知可能な、叫び声検知システムを提供する。
【解決手段】叫び声検知システム１は、入力音声の特徴量を取得する特徴取得器１１１と、特徴量に基づいて、入力音声を分類する音声分類モデル１１６と、を備え、音声分類モデルは、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されている。
【選択図】図１

【特許請求の範囲】

【請求項1】

入力音声の特徴量を取得する特徴取得器と、
前記特徴量に基づいて、前記入力音声を分類する音声分類モデルと、
を備え、
前記音声分類モデルは、第１状況での第１叫び声を、前記第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されている
叫び声検知システム。

【請求項2】

前記第１状況は、叫び声が発せられたときの危険度が前記第２状況とは異なる状況である
請求項１に記載の叫び声検知システム。

【請求項3】

前記第１状況は、叫び声が発せられたときの危険度が前記第２状況よりも高い状況である
請求項１に記載の叫び声検知システム。

【請求項4】

前記特徴取得器は、少なくとも、前記入力音声の音声特徴量を取得するよう構成され、
前記音声分類モデルは、少なくとも前記音声特徴量に基づいて、前記第１叫び声を前記第２叫び声とは区別して分類するよう構成されている
請求項１に記載の叫び声検知システム。

【請求項5】

前記特徴取得器は、前記入力音声を音声認識して得られる言語の言語特徴量を更に取得するよう構成され、
前記音声分類モデルは、前記音声特徴量及び前記言語特徴量に基づいて、前記第１叫び声を前記第２叫び声とは区別して分類するよう構成されている
請求項４に記載の叫び声検知システム。

【請求項6】

前記音声分類モデルは、前記第１叫び声と、前記第２叫び声と、平静音声と、を区別して分類するよう構成されている
請求項１に記載の叫び声検知システム。

【請求項7】

前記音声分類モデルは、第１状況での第１叫び声を、前記第１状況とは異なる第２状況での第２叫び声とは区別して分類するための機械学習が行われた学習モデルである
請求項１に記載の叫び声検知システム。

【請求項8】

前記学習モデルは、前記第１状況での叫び声である第１学習用音声及び前記第２状況での叫び声である第２学習用音声を含む複数の学習用音声それぞれの特徴量と、前記複数の学習用音声それぞれの分類と、を学習データとして機械学習されている
請求項７に記載の叫び声検知システム。

【請求項9】

入力音声の特徴量を求め、
前記特徴量に基づいて前記入力音声を分類する音声分類モデルに、前記特徴量を与えて、前記入力音声の分類結果を得る、
ことを備え、
前記音声分類モデルは、第１状況での第１叫び声を、前記第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されている
コンピュータに実装された音声分類方法。

【請求項10】

第１状況での叫び声である第１学習用音声及び前記第１状況とは異なる第２状況での叫び声である第２学習用音声を含む複数の学習用音声それぞれの特徴量と、前記複数の学習用音声それぞれの分類と、を学習データとして機械学習することによって、前記第１状況での叫び声を、前記第２状況での叫び声とは区別して分類するための音声分類モデルを得る、ことを備える
音声分類モデルの生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、叫び声検知システム、音声分類方法、及び、音声分類モデルの生成方法に関する。

【背景技術】

【0002】

特開２０１１－５３５５７号公報（以下、特許文献１）に開示されているように、従来の検出装置は、受け付けた音声信号が悲鳴であるか否かを検出するものであった。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１１－５３５５７号公報

【発明の概要】

【0004】

人の叫び声には、驚いた状況での叫び声、歓声、助けを求める叫び声、など、状況によって異なる場合がある。しかしながら、特許文献１のような従来の検出装置では、状況の異なる叫び声も一律に「悲鳴」として検出されてしまう。本開示は、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して検知可能な、叫び声検知システム、音声分類方法、及び、音声分類モデルの生成方法を提供することを目的の１つとする。

【0005】

ある実施の形態に従うと、叫び声検知システムは、入力音声の特徴量を取得する特徴取得器と、特徴量に基づいて、入力音声を分類する音声分類モデルと、を備え、音声分類モデルは、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されている。

【0006】

ある実施の形態に従うと、音声分類方法は、入力音声の特徴量を求め、特徴量に基づいて入力音声を分類する音声分類モデルに、特徴量を与えて、入力音声の分類結果を得る、ことを備え、音声分類モデルは、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されている。

【0007】

ある実施の形態に従うと、音声分類モデルの生成方法は、第１状況での叫び声である第１学習用音声及び第１状況とは異なる第２状況での叫び声である第２学習用音声を含む複数の学習用音声それぞれの特徴量と、複数の学習用音声それぞれの分類と、を学習データとして機械学習することによって、第１状況での叫び声を、第２状況での叫び声とは区別して分類するための音声分類モデルを得る、ことを備える。

【0008】

更なる詳細は、後述の実施形態として説明される。

【図面の簡単な説明】

【0009】

【図1】図１は、実施の形態に係る叫び声検知システム（以下、システムと略する）の概略図である。

【図2】図２は、システムの有する、音声分類モデルの生成方法の一例を表した図である。

【図3】図３は、システムでの叫び声検知方法の流れの一例を表したフローチャートである。

【図4】図４は、音声分類モデルの生成に用いた、データベースの生成方法の流れの一例を表したフローチャートである。

【図5】図５は、図４のステップＳ３０３の一例を表した図である。

【図6】図６は、図４のステップＳ３０７の一例を表した図である。

【図7】図７は、図４のステップＳ３０９の一例を説明するための図である。

【発明を実施するための形態】

【0010】

＜１．叫び声検知システム、音声分類方法、及び、音声分類モデルの生成方法の概要＞

【0011】

（１）実施の形態に係る叫び声検知システムは、入力音声の特徴量を取得する特徴取得器と、特徴量に基づいて、入力音声を分類する音声分類モデルと、を備え、音声分類モデルは、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されている。

【0012】

第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されている音声分類モデルを備えることで、入力音声が、第１叫び声と第２叫び声とを区別して分類されるようになる。そのため、本叫び声検知システムを用いることによって、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して検知することが可能になる。

【0013】

（２）好ましくは、第１状況は、叫び声が発せられたときの危険度が第２状況とは異なる状況である。これにより、危険度が異なる叫び声を区別して検知することが可能になる。

【0014】

（３）好ましくは、第１状況は、叫び声が発せられたときの危険度が第２状況よりも高い状況である。これにより、発せられたときの危険度が高い方の叫び声を、低い方の叫び声とは区別して検知することが可能になる。

【0015】

（４）好ましくは、特徴取得器は、少なくとも、入力音声の音声特徴量を取得するよう構成され、音声分類モデルは、少なくとも音声特徴量に基づいて、第１叫び声を第２叫び声とは区別して分類するよう構成されている。これにより、入力音声の音声特徴量を用いて、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して検知することが可能になる。

【0016】

（５）好ましくは、特徴取得器は、入力音声を音声認識して得られる言語の言語特徴量を更に取得するよう構成され、音声分類モデルは、音声特徴量及び言語特徴量に基づいて、第１叫び声を第２叫び声とは区別して分類するよう構成されている。これにより、入力音声の音声特徴量と言語特徴量との両方を用いて、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して検知することが可能になる。そのため、検知精度を向上させることができる。

【0017】

（６）好ましくは、音声分類モデルは、第１叫び声と、第２叫び声と、平静音声と、を区別して分類するよう構成されている。これにより、第１叫び声と、第２叫び声と、平静音声と、を区別して検知することが可能になる。

【0018】

（７）好ましくは、音声分類モデルは、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するための機械学習が行われた学習モデルである。これにより、音声分類モデルは、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類することができる。

【0019】

（８）好ましくは、学習モデルは、第１状況での叫び声である第１学習用音声及び第２状況での叫び声である第２学習用音声を含む複数の学習用音声それぞれの特徴量と、複数の学習用音声それぞれの分類と、を学習データとして機械学習されている。これにより、音声分類モデルは、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類することができる。

【0020】

（９）実施の形態に係る音声分類方法はコンピュータに実装された音声分類方法であって、入力音声の特徴量を求め、特徴量に基づいて入力音声を分類する音声分類モデルに、特徴量を与えて、入力音声の分類結果を得る、ことを備え、音声分類モデルは、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されている。この方法によって、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して検知することが可能になる。

【0021】

（１０）実施の形態に係る音声分類モデルの生成方法は、第１状況での叫び声である第１学習用音声及び第１状況とは異なる第２状況での叫び声である第２学習用音声を含む複数の学習用音声それぞれの特徴量と、複数の学習用音声それぞれの分類と、を学習データとして機械学習することによって、第１状況での叫び声を、第２状況での叫び声とは区別して分類するための音声分類モデルを得る、ことを備える。この生成方法によって、第１状況での叫び声を、第２状況での叫び声とは区別して分類するための音声分類モデルが得られる。その音声分類モデルを用いることにより、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して検知することが可能になる。

【0022】

＜２．叫び声検知システム、音声分類方法、及び、音声分類モデルの生成方法の例＞

【0023】

図１は、本実施の形態に係る叫び声検知システム（以下、システムと略する）１の概略図である。システム１は、一例として、プロセッサ１１とメモリ１２とを有するコンピュータで構成されている。コンピュータは、例えば、スマートフォンやマイクなどに搭載されているものであってもよい。システム１は、複数のコンピュータが協働して実現されるものであってもよい。

【0024】

プロセッサ１１は、例えば、ＣＰＵ（Central Processing Unit）である。メモリ１２は、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable and Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを含む。または、メモリ１２は、一次記憶装置であってもよいし、二次記憶装置であってもよい。

【0025】

メモリ１２は、プロセッサ１１で実行されるコンピュータプログラム（以下、プログラム）１２１を記憶している。プロセッサ１１は、プログラム１２１を実行することによって、叫び声を検知する処理を実行する。

【0026】

システム１は、音声の入力機に接続されて、入力音声を得る。音声の入力機は、一例としてマイク３である。マイク３による入力音声は、音声データとしてプロセッサ１１に入力される。プロセッサ１１は、音声データを用いてプログラム１２１に従う処理を実行することで、叫び声を検知する。

【0027】

システム１は、出力装置に接続されて、検知結果を出力する。出力装置は、例えば、ディスプレイなどの表示装置であってもよいし、スピーカなどの音声出力装置であってもよい。

【0028】

プロセッサ１１は、プログラム１２１を実行することによって特徴取得器１１１として機能する。特徴取得器１１１は、マイク３からの音声データに対して処理を行い、入力音声の特徴量を取得する。

【0029】

特徴取得器１１１は、入力音声の音声特徴量を取得するよう構成されている。すなわち、特徴取得器１１１として機能するプロセッサ１１は、音声データに対して音声特徴量取得処理１１２を実行する。音声特徴量取得処理１１２によって得られる音声特徴量は一般的な音声特徴量であってよく、例えば、スペクトログラム、ケプストログラム、及び、これらの組み合わせ、などであってよい。

【0030】

特徴取得器１１１は、入力音声を音声認識して得られる言語の言語特徴量を取得するよう構成されている。すなわち、特徴取得器１１１として機能するプロセッサ１１は、音声データに対して言語特徴量取得処理１１３を実行する。

【0031】

言語特徴量取得処理１１３は、音声認識処理１１４を含む。すなわち、プロセッサ１１は言語特徴量取得処理１１３を実行する際に、音声認識処理１１４を実行する。音声認識処理１１４は、入力音声の音声データをテキスト情報に変換し、単語データを得ることを含む。従って、プロセッサ１１は、入力音声からテキストで表された単語データを得る。

【0032】

言語特徴量取得処理１１３は、数値変換処理１１５を含む。すなわち、プロセッサ１１は言語特徴量取得処理１１３を実行する際に、数値変換処理１１５を実行する。数値変換処理１１５は、音声認識処理１１４によって得られた単語データを数値に変換することを含む。プロセッサ１１は、数値変換処理１１５によって得られた数値を、入力音声の言語特徴値として取得する。

【0033】

数値変換処理１１５は、単語埋め込みを行って、入力音声の有する文や単語、文字など自然言語の構成要素に対して、何らかの空間におけるベクトルを与えることを指す。数値変換処理１１５は、一般的な単語埋め込みの手法であってよく、例えば、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）などであってよい。

【0034】

プロセッサ１１は、特徴量に基づいて入力音声を分類する音声分類モデル１１６を有する。音声分類モデル１１６は、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するよう構成されているモデルである。好ましくは、音声分類モデル１１６は、第１叫び声と、第２叫び声と、平静音声と、を区別して分類するよう構成されている。

【0035】

第１状況は、叫び声が発せられたときの危険度が第２状況とは異なる状況である。一例として、第１状況は、叫び声が発せられたときの危険度が第２状況よりも高い状況である。この場合、第１状況は危険度が高い状況を指し、第１叫び声は危険度が高い状況で発せられた叫び声である。第１叫び声は、例えば、悲鳴や助けを求める叫び声などである。第２状況は危険度が低い状況を指し、第２叫び声は危険度が低い状況で発せられた叫び声である。第２叫び声は、例えば、驚いた声や歓声などである。音声分類モデル１１６は、危険度が高い状況（第１状況）で発せられた叫び声（第１叫び声）と、危険度が低い状況（第２状況）で発せられた叫び声（第２叫び声）とを分類する。さらに、好ましくは、音声分類モデル１１６は、第１叫び声と、第２叫び声と、平静音声と、を分類する。

【0036】

音声分類モデル１１６は、少なくとも音声特徴量に基づいて、第１叫び声を第２叫び声とは区別して分類するよう構成されている。好ましくは、音声分類モデル１１６は、音声特徴量及び言語特徴量に基づいて、第１叫び声を第２叫び声とは区別して分類するよう構成されている。一例として、音声分類モデル１１６は、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類するための機械学習が行われた学習モデルである。

【0037】

図２は、音声分類モデル１１６の生成方法の一例を表した図である。音声分類モデル１１６の生成方法は、適したデータを学習データＴとして音声分類モデル１１６に与えて機械学習すること（ステップＳ１０３）、を有する。学習データＴは、複数の学習用音声それぞれについての、特徴量を示す入力データＩＮと、その音声データの分類を示す出力データＯＵとの対で構成されている。複数の学習用音声は、第１状況での叫び声である第１学習用音声ＡＵ１、及び、第２状況での叫び声である第２学習用音声ＡＵ２、を含む。好ましくは、複数の学習用音声は、さらに、平静音声である第３学習用音声ＡＵ３を含む。

【0038】

特徴量を示す入力データＩＮは、学習用音声の少なくとも音声特徴量を含む。これにより、音声分類モデル１１６は、入力音声から得られた音声特徴量を入力することで、入力音声の分類を出力するよう構成される。

【0039】

好ましくは、特徴量を示す入力データＩＮは、学習用音声の音声特徴量と言語特徴量とを含む。これにより、音声分類モデル１１６は、入力音声から得られた音声特徴量と言語特徴量とを入力することで、入力音声の分類を出力するよう構成される。そのため、高精度の分類が出力されるようになる。

【0040】

一例として、第１学習用音声ＡＵ１についての学習データＴは、第１学習用音声ＡＵ１から得られた音声特徴量である第１音声特徴量ＩＮ１１、及び、言語特徴量である第１言語特徴量ＩＮ２１からなる入力データＩＮと、第１叫び声、つまり、危険度が高い状況（第１状況）で発せられた叫び声であることを示す分類である出力データＯＵ１と、の対で構成される。第２学習用音声ＡＵ２についての学習データＴは、第２学習用音声ＡＵ２から得られた音声特徴量である第２音声特徴量ＩＮ１２、及び、言語特徴量である第２言語特徴量ＩＮ２２からなる入力データＩＮと、第２叫び声、つまり、危険度が低い状況（第２状況）で発せられた叫び声であることを示す分類である出力データＯＵ２と、の対で構成される。第３学習用音声ＡＵ３についての学習データＴは、第３学習用音声ＡＵ３から得られた音声特徴量である第３音声特徴量ＩＮ１３、及び、言語特徴量である第３言語特徴量ＩＮ２３からなる入力データＩＮと、第３叫び声、つまり、平静音声であることを示す分類である出力データＯＵ３と、の対で構成される。

【0041】

図２に示された生成方法によって生成されることによって、音声分類モデル１１６は、第１叫び声を、第２叫び声とは区別して分類するための音声分類モデルとして構成されるようになる。

【0042】

プロセッサ１１は、プログラム１２１を実行することによって音声検知器１１７として機能する。音声検知器１１７は、入力音声を分類し、特定の音声であること、又は、特定の音声でないことを検知することを含む。入力音声を分類することは、入力音声について特徴取得器１１１によって得られた音声特徴量及び言語特徴量を音声分類モデル１１６に入力し、音声分類モデル１１６から出力される入力音声の分類を得ることを含む。

【0043】

検知することは、音声分類モデル１１６から得られた分類が、検知対象の分類であるか否かを判定すること、を含む。例えば、第１叫び声が検知対象として規定されていた場合、音声検知器１１７として機能するプロセッサ１１は、音声分類モデル１１６から得られた分類が第１叫び声であったときに入力音声が第１叫び声であることを検知する。これにより、入力音声が悲鳴や助けを求める叫び声など危険度が高い状況で発生された音声であることが検知される。また、他の例として、第２叫び声が検知対象として規定されていた場合、音声検知器１１７として機能するプロセッサ１１は、音声分類モデル１１６から得られた分類が第２叫び声であったときに入力音声が第２叫び声であることを検知する。これにより、入力音声が驚いた声や歓声など危険度が低い状況で発生された音声であることが検知される。

【0044】

好ましくは、音声検知器１１７として機能するプロセッサ１１は、検知結果を出力装置５に出力させる。一例として、第１叫び声が検知対象として規定され、入力音声が第１叫び声であることを検知した場合に、その旨を出力装置５から出力させる。これにより、システム１のユーザは、入力音声が検知対象の音声であるか否かを知ることができる。

【0045】

図３は、システム１での叫び声検知方法の流れの一例を表したフローチャートである。システム１のプロセッサ１１は、マイク３などの音声入力装置から入力音声の音声データの入力を受け付けると（ステップＳ２０１）、音声特徴量と言語特徴量とのそれぞれを取得する。すなわち、プロセッサ１１は、音声データからスペクトログラム、ケプストログラムなどの特徴量を抽出することで（ステップＳ２０３）、音声特徴量を取得する（ステップＳ２０５）。また、プロセッサ１１は、音声データに対して音声認識処理を実行してテキスト情報に変換して単語データを得（ステップＳ２０７）、単語埋め込みを行って数値化することによって言語特徴量を取得する（ステップＳ２０９）。

【0046】

プロセッサ１１は、ステップＳ２０５で得られた音声特徴量と、ステップＳ２０９で得られた言語特徴量とを音声分類モデル１１６に入力して（ステップＳ２１１）、音声分類モデル１１６から分類の出力を得る（ステップＳ２１３）。音声分類モデル１１６は、入力された音声特徴量と言語特徴量とから、第１状況での第１叫び声を、第１状況とは異なる第２状況での第２叫び声とは区別して分類する。以上のステップＳ２０３～Ｓ２１３が、本システム１での音声分類方法である。

【0047】

プロセッサ１１は、ステップＳ２１３で得られた分類が検出対象として規定された特定の音声である場合（ステップＳ２１５でＹＥＳ）、入力音声が検知対象の音声であったことの検知結果を出力装置５にて報知させる（ステップＳ２１７）。そうでない場合、プロセッサ１１は、報知を行わなくてもよいし、入力音声が検知対象の音声でなかったことの検知結果を出力装置５にて報知させてもよい。

【0048】

システム１は、一連の動作を、音声が入力される度に行ってもよい。その場合、例えばシステム１がスマートフォンや監視カメラなどに搭載されているときには、第１叫び声を検知対象とすると、危険度の高い叫び声をそうでない叫び声から区別して検知することができる。これにより、監視システムや警報システムなどに好適に用いることができる。

【0049】

他の例として、システム１は、予め録音された音声に対して一連の動作を行ってもよい。その場合、例えば、第２叫び声を検知対象とすると、会議やイベントなどにおける盛り上がりの声を、そうでない叫び声や平静音声から区別して検知することができる。これにより、分析システムなどに好適に用いることができる。

【0050】

なお、図２の音声分類モデル１１６の生成方法において、好ましくは、学習データＴは、データベース１００に記憶されている音声データが用いられる（ステップＳ１０１）。データベース１００は、複数の音声データを、その分類とともに記憶している。複数の音声データは、第１状況での叫び声、第２状況での叫び声、及び、平静音声を含み、それぞれ、第１状況での叫び声、第２状況での叫び声、及び、平静音声を示す分類が対応付けられている。

【0051】

図４は、データベース１００の生成方法の流れの一例を表したフローチャートである。初めに、データベース１００に登録する音声のセリフを決定する（ステップＳ３０１）。好ましくは、ステップＳ３０１で、台詞に、母音を含める。

【0052】

次に、台詞ごとに、台詞に応じた危険度を付与する（ステップＳ３０３）。台詞の危険度は、その台詞が生じ得る場面の危険度を指す。

【0053】

図５は、ステップＳ３０３の一例を表した図である。ステップＳ３０３では、ステップＳ３０１で決定された複数の台詞１０１に対して、予め規定された危険度を台詞に対して付与する。一例として、ステップＳ３０３では、「母音」である第１の危険度Ｌ１、「危険度が高い／低いのどちらにも該当する」第２の危険度Ｌ２、「危険度が低い」第３の危険度Ｌ３、及び、「危険度が高い」第４の危険度Ｌ４の４種類の危険度を台詞に対して付与する。図５の例では、台詞ナンバー１～５０それぞれの台詞のうち、台詞ナンバー１～５について第１の危険度Ｌ１、台詞ナンバー６～１０について第２の危険度Ｌ２、台詞ナンバー１１～３０について第３の危険度Ｌ３、及び、台詞ナンバー３１～５０について第４の危険度Ｌ４が付与されている。

【0054】

好ましくは、ステップＳ３０３では、複数人それぞれの主観で各台詞に危険度を付与し、その最大数などの統計値に基づいて台詞ごとの危険度を決定する。一例として、台詞数は５０程度が想定される。

【0055】

次に、台詞ごとに、同一条件下において、様々な状況を想定して発声し、それを録音するなどして音声データを生成する（ステップＳ３０５）。好ましくは、年齢や性別の異なる複数の発話者によって同一の台詞を異なる状況（例えば、平静音声と叫び声と）で発声し、録音する。これにより、様々な状況下で発声された音声データがデータベース１００に記憶されるようになる。一例として、ステップＳ３０５では各台詞を５０人が平静音声と叫び声との２種類で発話して合計５０００の音声データを得、その内の叫び声２５００の音声データを用いる。

【0056】

次に、各音声データを視聴することで、各音声データに叫び強度を付与する（ステップＳ３０７）。叫び強度は、音声から受ける叫び声の強度を指し、音量が大きかったり音程が高かったりするほど発声の勢いが強く、叫び強度が強い。

【0057】

ステップＳ３０７では、一例として、全く叫び声ではない叫び強度から非常に強い叫び強度まで７段階で叫び強度を付与する。好ましくは、複数の評価者がそれぞれ音声を視聴し、主観で各音声に叫び強度を付与し、その最大数などの統計値に基づいて音声ごとの叫び強度を決定する。一例として、音声ごとに１０評価者程度による評価値の平均値によって叫び強度を決定することが想定される。

【0058】

図６は、ステップＳ３０７の一例を表した図である。図６は、縦軸が台詞ナンバーを表し、横軸が叫び強度を表しており、図中の点が、各音声データを示している。図６の例では、台詞ナンバー１～５０の台詞ごとの５０の音声データそれぞれについて、１０評価者程度による評価値の平均値による叫び声の強度が付与されている。

【0059】

ステップＳ３０３で台詞に付与された危険度と、ステップＳ３０７で音声に付与された叫び強度とを用いて、音声データそれぞれの分類を決定する（ステップＳ３０９）。図７は、ステップＳ３０９の一例を説明するための図である。図７は、台詞に付与された危険度を第１のパラメータとして横軸で表し、叫び強度を第２のパラメータとして縦軸で表している。図７の点は、各音声データを第１のパラメータと第２のパラメータとで表した位置を示している。

【0060】

図７のエリアＡ１は、台詞に付与された危険度が高く、かつ、叫び強度が大きい。従って、エリアＡ１に存在する音声データは、危険度の高い台詞が叫び強度の大きい音声で発声されたものである。エリアＡ２は、台詞に付与された危険度が低く、かつ、叫び強度が大きい。従って、エリアＡ２に存在する音声データは、危険度の低い台詞が叫び強度の大きい音声で発声されたものである。エリアＡ３は、台詞に付与された危険度が低く、かつ、叫び強度が小さい。従って、エリアＡ３に存在する音声データは、危険度の低い台詞が叫び強度の小さい音声で発声されたものである。エリアＡ４は、台詞に付与された危険度が高く、かつ、叫び強度が小さい。従って、エリアＡ４に存在する音声データは、危険度の高い台詞が叫び強度の小さい音声で発声されたものである。

【0061】

各音声データの存在するエリアより、音声データそれぞれの分類が決定される。すなわち、エリアＡ１の音声データは、危険度が高い状況で発せられた叫び声、つまり、第１状況での第１叫び声であり、エリアＡ２の音声データは、危険度が低い状況で発せられた叫び声、つまり、第２叫び声であり、エリアＡ３及びエリアＡ４の音声データは、平静音声である、と分類を決定することができる。

【0062】

上記のように学習されることによって、音声分類モデル１１６は、第１叫び声を第２叫び声とは区別して分類することが可能になる。システム１では、第１叫び声を第２叫び声とは区別して分類するよう構成されている音声分類モデル１１６を用いて音声データを分類することによって、第１叫び声と第２叫び声とを区別して検知することが可能になる。そのため、例えば、驚いた状況での叫び声、歓声などを悲鳴のような第１叫び声として一律に検知されることを防止できる。また、悲鳴のような第１叫び声ではなく驚いた状況での叫び声、歓声などの第２叫び声を検知することもできる。

【0063】

その際に、上記のようにして生成されたデータベース１００を用いることで、音声分類モデル１１６を精度よく学習させることができる。

【0064】

＜３．付記＞
本発明は、上記実施形態に限定されるものではなく、様々な変形が可能である。

【符号の説明】

【0065】

１ ：システム
３ ：マイク
５ ：出力装置
１１ ：プロセッサ
１２ ：メモリ
１００ ：データベース
１０１ ：台詞
１１１ ：特徴取得器
１１２ ：音声特徴量取得処理
１１３ ：言語特徴量取得処理
１１４ ：音声認識処理
１１５ ：数値変換処理
１１６ ：音声分類モデル
１１７ ：音声検知器
１２１ ：プログラム
Ａ１ ：エリア
Ａ２ ：エリア
Ａ３ ：エリア
Ａ４ ：エリア
ＡＵ１ ：第１学習用音声
ＡＵ２ ：第２学習用音声
ＡＵ３ ：第３学習用音声
ＩＮ ：入力データ
ＩＮ１１ ：第１音声特徴量
ＩＮ１２ ：第２音声特徴量
ＩＮ１３ ：第３音声特徴量
ＩＮ２１ ：第１言語特徴量
ＩＮ２２ ：第２言語特徴量
ＩＮ２３ ：第３言語特徴量
Ｌ１ ：第１の危険度
Ｌ２ ：第２の危険度
Ｌ３ ：第３の危険度
Ｌ４ ：第４の危険度
ＯＵ ：出力データ
ＯＵ１ ：出力データ
ＯＵ２ ：出力データ
ＯＵ３ ：出力データ
Ｔ ：学習データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】