知財求人 - 知財ポータルサイト「IP Force」
(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】
(24)【登録日】2024-03-21
(45)【発行日】2024-03-29
(54)【発明の名称】話者識別プログラム、話者識別方法、および話者識別装置
(51)【国際特許分類】
G10L 17/04 20130101AFI20240322BHJP
【ＦＩ】
G10L17/04
【請求項の数】
6
(21)【出願番号】P 2021506872
(86)(22)【出願日】2019-03-18
(86)【国際出願番号】 JP2019011295
(87)【国際公開番号】W WO2020188724
(87)【国際公開日】2020-09-24
【審査請求日】2021-05-18
【審判番号】
【審判請求日】2023-07-11
(73)【特許権者】
【識別番号】000005223
【氏名又は名称】富士通株式会社
(74)【代理人】
【識別番号】100104190
【弁理士】
【氏名又は名称】酒井 昭徳
(72)【発明者】
【氏名】長谷川 創
【合議体】
【審判長】五十嵐 努
【審判官】板垣 有紀
【審判官】高橋 宣博
(56)【参考文献】
【文献】米国特許第６４２４９４６（ＵＳ，Ｂ１）
【文献】中川聖一，森一将，“発話間のＶＱひずみを用いた話者交替識別と話者クラスタリング”，電子情報通信学会論文誌，２００２年１１月，Ｖｏｌ．Ｊ８５－Ｄ－ＩＩ，Ｎｏ．１１，ｐ．１６４５－１６５５
(58)【調査した分野】(Int.Cl.，ＤＢ名)
G10L 15/00-17/26
(57)【特許請求の範囲】
【請求項1】
コンピュータに、入力された音声情報から話者を識別する識別モデルに対して、１以上の第１人物のそれぞれの第１人物についての、前記第１人物の発話音声を示す音声情報と前記第１人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の第１人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の第１人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、
会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の第１人物および前記異なる人物のいずれかの人物に識別し、
前記１以上の第１人物以外に、それぞれ前記異なる人物となり得る１以上の第２人物の指定を受け付け、
前記複数の発話区間のうち、話者が前記異なる人物であると識別された発話区間を、当該発話区間の音声特徴に基づいて、指定された前記１以上の第２人物のうち、それぞれ異なる第２人物に対応付けられた、指定された前記１以上の第２人物の数分存在する１以上のグループのいずれかのグループに分類し、
話者が前記１以上の第１人物のいずれかの第１人物であると識別された発話区間と、前記いずれかの第１人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間と、前記１以上のグループのうち当該発話区間を分類したグループに対応する前記１以上の第２人物のいずれかの第２人物とを対応付けて出力する、
処理を実行させることを特徴とする話者識別プログラム。
【請求項2】
前記コンピュータに、前記１以上の第１人物の指定を受け付ける、処理を実行させ、
前記生成する処理は、
前記識別モデルに対して、指定された前記１以上の第１人物のそれぞれの第１人物についての前記第１の学習データと、前記他の人物のそれぞれについての前記第２の学習データとを用いて、学習処理を実行し、前記第１の識別モデルを生成する、ことを特徴とする請求項１に記載の話者識別プログラム。
【請求項3】
前記コンピュータに、話者が前記異なる人物であると識別された発話区間の音声情報を、前記識別モデルに入力し、前記発話区間の音声特徴を取得する、処理を実行させ、
前記分類する処理は、
前記複数の発話区間のうち、話者が前記異なる人物であると識別された発話区間を、取得した前記音声特徴に基づいて、指定された前記１以上の第２人物のうち、それぞれ異なる第２人物に対応付けられた、指定された前記１以上の第２人物の数分存在する１以上のグループのいずれかのグループに分類する、
処理を実行させることを特徴とする請求項１または２に記載の話者識別プログラム。
【請求項4】
前記コンピュータに、話者が前記異なる人物であると識別された発話区間に対応付ける第２人物の指定を受け付ける、処理を実行させ、
前記出力する処理は、
話者が前記異なる人物であると識別された発話区間と、指定された前記第２人物とを対応付けて出力する、ことを特徴とする請求項１～３のいずれか一つに記載の話者識別プログラム。
【請求項5】
コンピュータが、入力された音声情報から話者を識別する識別モデルに対して、１以上の第１人物のそれぞれの第１人物についての、前記第１人物の発話音声を示す音声情報と前記第１人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の第１人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の第１人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、
会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の第１人物および前記異なる人物のいずれかの人物に識別し、
前記１以上の第１人物以外に、それぞれ前記異なる人物となり得る１以上の第２人物の指定を受け付け、
前記複数の発話区間のうち、話者が前記異なる人物であると識別された発話区間を、当該発話区間の音声特徴に基づいて、指定された前記１以上の第２人物のうち、それぞれ異なる第２人物に対応付けられた、指定された前記１以上の第２人物の数分存在する１以上のグループのいずれかのグループに分類し、
話者が前記１以上の第１人物のいずれかの第１人物であると識別された発話区間と、前記いずれかの第１人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間と、前記１以上のグループのうち当該発話区間を分類したグループに対応する前記１以上の第２人物のいずれかの第２人物とを対応付けて出力する、
処理を実行することを特徴とする話者識別方法。
【請求項6】
入力された音声情報から話者を識別する識別モデルに対して、１以上の第１人物のそれぞれの第１人物についての、前記第１人物の発話音声を示す音声情報と前記第１人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の第１人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の第１人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の第１人物および前記異なる人物のいずれかの人物に識別し、
前記１以上の第１人物以外に、それぞれ前記異なる人物となり得る１以上の第２人物の指定を受け付け、
前記複数の発話区間のうち、話者が前記異なる人物であると識別された発話区間を、当該発話区間の音声特徴に基づいて、指定された前記１以上の第２人物のうち、それぞれ異なる第２人物に対応付けられた、指定された前記１以上の第２人物の数分存在する１以上のグループのいずれかのグループに分類し、
話者が前記１以上の第１人物のいずれかの第１人物であると識別された発話区間と、前記いずれかの第１人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間と、前記１以上のグループのうち当該発話区間を分類したグループに対応する前記１以上の第２人物のいずれかの第２人物とを対応付けて出力する、
制御部を有することを特徴とする話者識別装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、話者識別プログラム、話者識別方法、および話者識別装置に関する。
【背景技術】
【0002】
従来、会話音声のうち、いずれかの発話区間に発話している話者を識別する技術がある。先行技術としては、例えば、予め、特定の人物が特定のフレーズを発話した音声を学習しておき、会話音声のうち、いずれかの発話区間に発話している話者が、特定の人物であるか否かを識別可能にするものがある。
【先行技術文献】
【非特許文献】
【0003】
【文献】“Ｓｐｅａｋｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ ＡＰＩ”、［ｏｎｌｉｎｅ］、［平成３１年３月１４日検索］、インターネット＜ ＵＲＬ ：ｈｔｔｐｓ：／／ｄｏｃｓ．ｍｉｃｒｏｓｏｆｔ．ｃｏｍ／ｅｎ－ｕｓ／ａｚｕｒｅ／ｃｏｇｎｉｔｉｖｅ－ｓｅｒｖｉｃｅｓ／ｓｐｅａｋｅｒ－ｒｅｃｏｇｎｉｔｉｏｎ／ｈｏｍｅ＞
【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、従来技術では、話者を識別することが難しい。例えば、予め、特定の人物が特定のフレーズを発話した音声を学習していなければ、会話音声のうち、いずれかの発話区間に発話している話者が、特定の人物であるか否かを識別することができない。
【0005】
１つの側面では、本発明は、話者を精度よく識別可能にすることを目的とする。
【課題を解決するための手段】
【0006】
１つの実施態様によれば、入力された音声情報から話者を識別する識別モデルに対して、１以上の人物のそれぞれの人物についての、前記人物の発話音声を示す音声情報と前記人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の人物および前記異なる人物のいずれかの人物に識別し、話者が前記異なる人物であると識別された発話区間を、前記発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類し、話者が前記１以上の人物のいずれかの人物であると識別された発話区間と、前記いずれかの人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間を分類した結果を出力する話者識別プログラム、話者識別方法、および話者識別装置が提案される。
【発明の効果】
【0007】
一態様によれば、話者を精度よく識別可能にすることが可能になる。
【図面の簡単な説明】
【0008】
【発明を実施するための形態】
【0009】
以下に、図面を参照して、本発明にかかる話者識別プログラム、話者識別方法、および話者識別装置の実施の形態を詳細に説明する。
【0010】
（実施の形態にかかる話者識別方法の一実施例）
図１は、実施の形態にかかる話者識別方法の一実施例を示す説明図である。話者識別装置１００は、音声から話者を識別可能にするためのコンピュータである。話者識別装置１００は、例えば、話者を識別しようとする作業者に利用される。話者識別装置１００は、例えば、サーバやＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などである。
図１は、実施の形態にかかる話者識別方法の一実施例を示す説明図である。話者識別装置１００は、音声から話者を識別可能にするためのコンピュータである。話者識別装置１００は、例えば、話者を識別しようとする作業者に利用される。話者識別装置１００は、例えば、サーバやＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などである。
【0011】
ここで、従来では、音声から話者を精度よく識別することが難しいという問題がある。例えば、話者が、予め登録された特定の人物であるか否かを識別可能にする特定話者識別手法や、話者に、具体的な人物ではなくＩＤを割り当てて識別可能にする不特定話者識別手法などが考えられるが、話者を精度よく識別することが難しい。
【0012】
具体的には、予め、特定の人物が特定のフレーズを発話した音声を、識別モデルに学習させておき、会話音声のいずれかの発話区間の話者が特定の人物であるか否かを、識別モデルを用いて識別可能にする特定話者識別手法の一手法が考えられる。しかしながら、この手法では、予め、特定の人物が特定のフレーズを発話した音声を用意し、識別モデルに学習させなければ、発話区間の話者が、特定の人物であるか否かを識別可能にすることはできない。
【0013】
従って、複数の人物が会話する会話音声のいずれかの発話区間の話者が、複数の人物のいずれの人物であるかを識別しようとする場合、複数の人物のそれぞれの人物が特定のフレーズを発話した音声を用意し、識別モデルに学習させておく必要がある。このため、話者を識別しようとする作業者にかかる作業負担の増大化を招いてしまう。
【0014】
さらに、複数の人物のいずれかの人物が特定のフレーズを発話した音声を用意し、識別モデルに学習させることができない状況がある。例えば、社内の何人かの人物と、社外の何人かの人物とが参加する会議における会話音声のいずれかの発話区間の話者を識別しようとする状況では、予め、社外の人物が特定のフレーズを発話した音声を用意することが難しい。このため、社外の人物が特定のフレーズを発話した音声を、識別モデルに学習させなければ、会話音声のいずれかの発話区間の話者が、実際には社外の人物でも、社内のいずれかの人物としか識別することができず、話者を精度よく識別することができない。
【0015】
具体的には、会話音声のそれぞれの発話区間の音声特徴に基づいて、会話音声のそれぞれの発話区間を、不特定な人物に対応する１以上のグループのいずれかのグループに分類し、ＩＤを割り当てる不特定話者識別手法の一手法が考えられる。しかしながら、この手法では、グループが、具体的にいずれの人物に対応するグループであるかは特定されないため、発話区間の話者を、具体的な人物に識別することができない。このため、作業者は、発話区間の音声を聞かなければ、発話区間の話者が、具体的にいずれの人物であるかを識別することはできず、作業者にかかる作業負担の増大化を招く。
【0016】
また、この手法では、発話区間を精度よくグループに分類することは難しく、異なる人物に対応する発話区間を同じグループに分類し、または、同じ人物に対応する発話区間を異なるグループに分類することがあり得る。例えば、会話音声内で、人物間の発話量の偏りが大きいほど、発話区間を精度よくグループに分類することは難しくなる。また、例えば、会話音声内で、発話した人物が多いほど、発話区間を精度よくグループに分類することは難しくなる。結果として、作業者が、発話区間の話者が、具体的にいずれの人物であるかを、精度よく識別することは難しく、作業者にかかる作業負担の増大化を招く。
【0017】
そこで、本実施の形態では、特定話者識別に関する一手法と、不特定話者識別に関する一手法とを組み合わせ可能にすることにより、話者を精度よく識別可能にすることができ、作業者にかかる作業負担の低減化を図ることができる話者識別方法について説明する。
【0018】
図１において、話者識別装置１００は、識別モデルを有する。識別モデルは、入力された音声情報から話者を識別する。識別モデルは、例えば、ニューラルネットワークである。以下の説明では、ニューラルネットワークを「ＮＮ（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）」と表記する場合がある。識別モデルは、具体的には、人物の発話音声を示す音声情報と人物を示すラベル情報とが関連付けられた、１００人分～２００人分の学習データに基づき生成された学習済みモデルである。図１の例では、話者識別装置１００は、学習済みモデル１１０を有する。
【0019】
また、話者識別装置１００は、１以上の特定人物のそれぞれの特定人物についての第１の学習データを有する。第１の学習データは、特定人物の発話音声を示す音声情報と、特定人物を示すラベル情報とが関連付けられた学習データである。特定人物は、学習データを予め用意可能な人物である。図１の例では、特定人物は、Ａさん、Ｂさん、および、Ｃさんである。図１の例では、話者識別装置１００は、第１の学習データ１０１～１０３を有する。
【0020】
話者識別装置１００は、１以上の特定人物とは異なる他の人物のそれぞれについての第２の学習データを有する。第２の学習データは、他の人物の発話音声を示す音声情報と、１以上の特定人物とは異なる人物であることを示すラベル情報とが関連付けられた学習データである。ラベル情報は、具体的な人物を示さず、ダミー人物であることを示す。図１の例では、話者識別装置１００は、第２の学習データ１０４～１０７を有する。
【0021】
（１－１）話者識別装置１００は、識別モデルに対して、１以上の特定人物のそれぞれの特定人物についての第１の学習データと、１以上の特定人物とは異なる他の人物のそれぞれについての第２の学習データとを用いて、学習処理を実行する。話者識別装置１００は、学習処理の結果、第１の識別モデルを生成する。第１の識別モデルは、発話区間に発話した話者を、１以上の特定人物および１以上の特定人物とは異なる人物のいずれかの人物に識別する。第１の識別モデルは、例えば、学習済みモデルを学習処理により更新した後の更新済みモデルである。図１の例では、話者識別装置１００は、更新済みモデル１１１を生成する。
【0022】
（１－２）話者識別装置１００は、会話音声を示す音声情報を取得する。話者識別装置１００は、取得した音声情報を、生成した第１の識別モデルに入力し、会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、１以上の特定人物および１以上の特定人物とは異なる人物のいずれかの人物に識別する。
【0023】
図１の例では、話者識別装置１００は、会話音声を示す音声情報１２０を取得し、更新済みモデル１１１に入力し、複数の発話区間のそれぞれの発話区間に発話した話者を識別する。ここで、会話音声は、例えば、発話区間１３１～１３５を含む。話者識別装置１００は、具体的には、発話区間１３１に発話した話者をＡさんと識別し、発話区間１３２に発話した話者をＢさんと識別し、発話区間１３３に発話した話者をＣさんと識別する。また、話者識別装置１００は、発話区間１３４に発話した話者をダミー人物と識別し、発話区間１３５に発話した話者をダミー人物と識別する。
【0024】
これによれば、話者識別装置１００は、会話音声のうち、１以上の特定人物とは異なる人物が発話した発話区間が含まれても、発話区間に発話した話者を精度よく識別することができる。話者識別装置１００は、例えば、発話区間に発話した話者が、実際には、１以上の特定人物とは異なる人物であれば、１以上の特定人物のいずれかの特定人物と誤って識別することを防止することができる。
【0025】
このため、話者識別装置１００は、話者が特定人物と識別した発話区間に、実際には話者が特定人物とは異なる人物である発話区間が混在することを防止することができ、話者を精度よく識別することができる。図１の例では、話者識別装置１００は、発話区間１３４，１３５に発話した話者を、ＡさんとＢさんとＣさんとのいずれかの特定人物とは識別することなく、ダミー人物と識別することができる。
【0026】
（１－３）話者識別装置１００は、話者が１以上の特定人物とは異なる人物であると識別された発話区間を、当該発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類する。グループは、不特定な人物に対応し、人物単位で存在する。グループは、例えば、人物を示すラベルがＩＤとして付与される。ＩＤとして付与される、人物を示すラベルは、便宜上のラベルであり、１以上の特定人物以外で、会話音声内で発話している人物に対応しなくてもよい。音声特徴は、例えば、学習済みモデルを用いて取得される。
【0027】
図１の例では、Ｄさんを示すラベルがＩＤとして付与されたグループと、Ｅさんを示すラベルがＩＤとして付与されたグループとが存在する。話者識別装置１００は、発話区間１３４，１３５の音声情報を、学習済みモデル１４０に入力し、発話区間１３４，１３５の音声特徴を取得する。学習済みモデル１４０は、例えば、学習済みモデル１１０と同一である場合があってもよい。話者識別装置１００は、取得した発話区間１３４，１３５の音声特徴に基づいて、発話区間１３４を、Ｄさんを示すラベルがＩＤとして付与されたグループに分類し、発話区間１３５を、Ｅさんを示すラベルがＩＤとして付与されたグループに分類する。
【0028】
これによれば、話者識別装置１００は、予め第１の学習データを用意することが困難な、１以上の特定人物とは異なる人物が発話した発話区間を、人物単位でグループに分類することができ、話者を具体的に識別しやすくすることができる。また、話者識別装置１００は、話者が１以上の特定人物のいずれかの特定人物である発話区間を特定済みであり、分類対象とする発話区間の数の低減化を図ることができるため、発話区間を精度よく分類しやすくすることができる。
【0029】
（１－４）話者識別装置１００は、話者を１以上の特定人物のいずれかの特定人物と識別した識別結果、および、１以上の特定人物とは異なる人物に関する発話区間を分類した分類結果を出力する。出力先は、例えば、話者識別装置１００が有する表示部である。話者識別装置１００は、例えば、話者が１以上の特定人物のいずれかの特定人物であると識別された発話区間と、いずれかの特定人物とを対応付けて出力する。また、話者識別装置１００は、例えば、話者が１以上の特定人物とは異なる人物であると識別された発話区間を分類した結果を出力する。
【0030】
図１の例では、話者識別装置１００は、Ａさんと対応付けて話者をＡさんと識別した発話区間１３１を表示し、Ｂさんと対応付けて話者をＢさんと識別した発話区間１３２を表示し、Ｃさんと対応付けて話者をＣさんと識別した発話区間１３３を表示する。また、話者識別装置１００は、Ｄさんと対応付けてＤさんを示すラベルがＩＤとして付されたグループに分類された発話区間１３４を表示し、Ｅさんと対応付けてＥさんを示すラベルがＩＤとして付されたグループに分類された発話区間１３５を表示する。
【0031】
これにより、話者識別装置１００は、会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、精度よく識別可能にすることができる。話者識別装置１００は、例えば、発話区間に発話した話者が、実際には１以上の特定人物のいずれかの特定人物であれば、１以上の特定人物のいずれかの特定人物と精度よく識別することができる。
【0032】
また、話者識別装置１００は、例えば、話者が１以上の特定人物とは異なる人物と識別された発話区間を、人物単位のグループに精度よく分類することができる。このため、話者識別装置１００は、作業者が、グループに分類された発話区間の音声を聞いて、グループに分類された発話区間に発話した話者を、具体的な人物に識別しようとする際、作業者にかかる作業負担の低減化を図ることができる。
【0033】
ここでは、話者識別装置１００が、１以上の特定人物のそれぞれの特定人物についての第１の学習データを有する場合について説明したが、これに限らない。例えば、話者識別装置１００が、複数の特定人物のそれぞれの特定人物についての第１の学習データを有し、第１の識別モデルの生成の際、指定された１以上の特定人物のそれぞれの特定人物についての第１の学習データを抽出する場合があってもよい。
【0034】
ここでは、話者識別装置１００が、第１の識別モデルを生成する場合について説明したが、これに限らない。例えば、話者識別装置１００とは異なる装置が、第１の識別モデルを生成する場合があってもよい。この場合、話者識別装置１００は、第１の識別モデルを生成した装置から、第１の識別モデルを取得することになる。
【0035】
ここでは、話者識別装置１００が、話者を１以上の特定人物のいずれかの特定人物と識別した識別結果、および、１以上の特定人物とは異なる人物に関する発話区間を分類した分類結果を、自装置の表示部に表示する場合について説明したが、これに限らない。例えば、話者識別装置１００が、話者を１以上の特定人物のいずれかの特定人物と識別した識別結果、および、１以上の特定人物とは異なる人物に関する発話区間を分類した分類結果を、話者識別装置１００とは異なる装置に送信する場合があってもよい。
【0036】
具体的には、話者識別装置１００が、話者を１以上の特定人物のいずれかの特定人物と識別した識別結果、および、１以上の特定人物とは異なる人物に関する発話区間を分類した分類結果を、図２に示すクライアント装置２０１に送信する場合があってもよい。この場合、クライアント装置２０１は、話者を１以上の特定人物のいずれかの特定人物と識別した識別結果、および、１以上の特定人物とは異なる人物に関する発話区間を分類した分類結果を表示し、作業者が把握可能にする。
【0037】
【0038】
【0039】
話者識別システム２００において、話者識別装置１００とクライアント装置２０１とは、有線または無線のネットワーク２１０を介して接続される。ネットワーク２１０は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットなどである。
【0040】
話者識別装置１００は、１以上の特定人物の指定を、クライアント装置２０１から受け付ける。話者識別装置１００は、指定された１以上の特定人物のそれぞれの特定人物の第１の学習データと、指定された１以上の特定人物とは異なる人物の第２の学習データとを用いて、第１の識別モデルを生成する。
【0041】
話者識別装置１００は、会話音声を示す音声情報を、クライアント装置２０１から受信する。話者識別装置１００は、生成した第１の識別モデルを用いて、受信した音声情報に基づいて、１以上の特定人物のそれぞれの特定人物に関する識別結果および１以上の特定人物とは異なる人物に関する分類結果を生成する。話者識別装置１００は、１以上の特定人物のそれぞれの特定人物に関する識別結果および１以上の特定人物とは異なる人物に関する分類結果を、クライアント装置２０１に送信する。
【0042】
クライアント装置２０１は、作業者が利用するコンピュータである。クライアント装置２０１は、受信した１以上の特定人物のそれぞれの特定人物に関する識別結果および１以上の特定人物とは異なる人物に関する分類結果を表示する。このように、話者識別装置１００は、１以上の特定人物のそれぞれの特定人物に関する識別結果および１以上の特定人物とは異なる人物に関する分類結果を、クライアント装置２０１に提供するサービスを実現してもよい。
【0043】
【0044】
図３は、話者識別装置１００のハードウェア構成例を示すブロック図である。図３において、話者識別装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１と、メモリ３０２と、ネットワークＩ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０３と、記録媒体Ｉ／Ｆ３０４と、記録媒体３０５と、ディスプレイ３０６と、入力装置３０７とを有する。また、各構成部は、バス３００によってそれぞれ接続される。
【0045】
ここで、ＣＰＵ３０１は、話者識別装置１００の全体の制御を司る。メモリ３０２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）およびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭやＲＯＭが各種プログラムを記憶し、ＲＡＭがＣＰＵ３０１のワークエリアとして使用される。メモリ３０２に記憶されるプログラムは、ＣＰＵ３０１にロードされることで、コーディングされている処理をＣＰＵ３０１に実行させる。
【0046】
ネットワークＩ／Ｆ３０３は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して他のコンピュータに接続される。そして、ネットワークＩ／Ｆ３０３は、ネットワーク２１０と内部のインターフェースを司り、他のコンピュータからのデータの入出力を制御する。ネットワークＩ／Ｆ３０３は、例えば、モデムやＬＡＮアダプタなどである。
【0047】
記録媒体Ｉ／Ｆ３０４は、ＣＰＵ３０１の制御に従って記録媒体３０５に対するデータのリード／ライトを制御する。記録媒体Ｉ／Ｆ３０４は、例えば、ディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポートなどである。記録媒体３０５は、記録媒体Ｉ／Ｆ３０４の制御で書き込まれたデータを記憶する不揮発メモリである。記録媒体３０５は、例えば、ディスク、半導体メモリ、ＵＳＢメモリなどである。記録媒体３０５は、話者識別装置１００から着脱可能であってもよい。
【0048】
ディスプレイ３０６は、カーソル、アイコンあるいはツールボックスをはじめ、文書、画像、機能情報などのデータを表示する。ディスプレイ３０６は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、液晶ディスプレイ、有機ＥＬ（Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイなどである。入力装置３０７は、文字、数字、各種指示などの入力のためのキーを有し、データの入力を行う。入力装置３０７は、キーボードやマウスなどであってもよく、また、タッチパネル式の入力パッドやテンキーなどであってもよい。
【0049】
話者識別装置１００は、上述した構成部のほか、例えば、プリンタ、スキャナ、マイク、スピーカーなどを有してもよい。また、話者識別装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を複数有していてもよい。また、話者識別装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を有していなくてもよい。
【0050】
（クライアント装置２０１のハードウェア構成例）
クライアント装置２０１のハードウェア構成例は、例えば、図３に示した話者識別装置１００のハードウェア構成例と同様であるため、説明を省略する。
クライアント装置２０１のハードウェア構成例は、例えば、図３に示した話者識別装置１００のハードウェア構成例と同様であるため、説明を省略する。
【0051】
（話者識別装置１００の機能的構成例）
次に、図４を用いて、話者識別装置１００の機能的構成例について説明する。
次に、図４を用いて、話者識別装置１００の機能的構成例について説明する。
【0052】
図４は、話者識別装置１００の機能的構成例を示すブロック図である。話者識別装置１００は、記憶部４００と、取得部４０１と、学習部４０２と、識別部４０３と、分類部４０４と、設定部４０５と、出力部４０６とを含む。
【0053】
記憶部４００は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域によって実現される。以下では、記憶部４００が、話者識別装置１００に含まれる場合について説明するが、これに限らない。例えば、記憶部４００が、話者識別装置１００とは異なる装置に含まれ、記憶部４００の記憶内容が話者識別装置１００から参照可能である場合があってもよい。
【0054】
取得部４０１～出力部４０６は、制御部の一例として機能する。取得部４０１～出力部４０６は、具体的には、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶されたプログラムをＣＰＵ３０１に実行させることにより、または、ネットワークＩ／Ｆ３０３により、その機能を実現する。各機能部の処理結果は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶される。
【0055】
記憶部４００は、各機能部の処理において参照され、または更新される各種情報を記憶する。記憶部４００は、入力された音声情報から話者を識別する識別モデルを記憶する。識別モデルは、入力された音声情報から話者を識別する。識別モデルは、例えば、ＮＮである。識別モデルは、具体的には、人物の発話音声を示す音声情報と人物を示すラベル情報とが関連付けられた学習データに基づき生成される。識別モデルの生成に用いる学習データは、例えば、１００人分～２００人分である。記憶部４００は、例えば、識別モデルを表すネットワークトポロジーとパラメータとを記憶する。
【0056】
記憶部４００は、識別モデルを更新する学習処理に用いられる学習データを記憶する。学習処理は、例えば、識別モデルがＮＮであれば、出力層を更新する処理である。記憶部４００は、例えば、複数の特定人物のそれぞれの特定人物についての第１の学習データを有する。第１の学習データは、特定人物の発話音声を示す音声情報と、特定人物を示すラベル情報とが関連付けられた学習データである。
【0057】
記憶部４００は、特定人物とは異なる他の人物のそれぞれについての第２の学習データを有する。第２の学習データは、他の人物の発話音声を示す音声情報と、特定人物とは異なる人物であることを示すラベル情報とが関連付けられた学習データである。ラベル情報は、具体的な人物を示さず、ダミー人物であることを示す。
【0058】
記憶部４００は、識別モデルを更新することにより生成された第１の識別モデルを記憶する。第１の識別モデルは、入力された音声情報から話者を識別する。第１の識別モデルは、例えば、ＮＮである。記憶部４００は、例えば、第１の識別モデルを表すネットワークトポロジーとパラメータとを記憶する。
【0059】
取得部４０１は、各機能部の処理に用いられる各種情報を取得する。取得部４０１は、取得した各種情報を、記憶部４００に記憶し、または、各機能部に出力する。また、取得部４０１は、記憶部４００に記憶しておいた各種情報を、各機能部に出力してもよい。取得部４０１は、例えば、ユーザの操作入力に基づき、各種情報を取得する。取得部４０１は、例えば、話者識別装置１００とは異なる装置から、各種情報を受信してもよい。
【0060】
取得部４０１は、会話音声を示す音声情報を取得する。会話音声は、発話区間ごとに話者を識別する処理対象である。これにより、取得部４０１は、識別部４０３に、会話音声を示す音声情報を提供し、会話音声に含まれる発話区間に発話した話者を識別させることができる。
【0061】
取得部４０１は、第１の学習データと第２の学習データとを取得する。取得部４０１は、例えば、１以上の特定人物のそれぞれの特定人物についての第１の学習データと、特定人物とは異なる他の人物のそれぞれについての第２の学習データとを取得する。１以上の特定人物のそれぞれの特定人物についての第１の学習データは、例えば、記憶部４００に記憶された複数の特定人物のそれぞれの特定人物についての第１の学習データである。これにより、取得部４０１は、学習部４０２に第１の学習データと第２の学習データとを提供し、学習部４０２が、識別モデルを基に、話者を１以上の特定人物のそれぞれの特定人物と識別可能な第１の識別モデルを生成可能にすることができる。
【0062】
取得部４０１は、１以上の特定人物の指定を受け付け、記憶部４００に記憶された複数の特定人物のそれぞれの特定人物についての第１の学習データのうち、指定された１以上の特定人物のそれぞれの特定人物についての第１の学習データを抽出してもよい。特定人物は、学習データを予め用意可能な人物である。指定される特定人物は、複数の人物のうち、取得部４０１が取得する会話音声内で発話している特定人物であることが好ましい。これにより、取得部４０１は、学習部４０２に第１の学習データと第２の学習データとを提供し、学習部４０２が、識別モデルを基に、話者を指定された１以上の特定人物のそれぞれの特定人物と識別可能な第１の識別モデルを生成可能にすることができる。
【0063】
取得部４０１は、特定人物または他の人物の発話音声を示す音声情報を取得し、第１の学習データまたは第２の学習データを生成してもよい。取得部４０１は、例えば、特定人物または他の人物の発話音声を示す音声情報を取得し、所定の録音環境に合わせて、取得した音声情報を加工する。所定の録音環境は、処理対象の会話音声が録音されると予測される録音環境である。
【0064】
そして、取得部４０１は、特定人物の加工後の音声情報と、特定人物を示すラベル情報とが関連付けられた第１の学習データを作成する。または、取得部４０１は、他の人物の加工後の音声情報と、特定人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データを作成する。これにより、取得部４０１は、学習部４０２が、話者を精度よく識別可能な第１の識別モデルを生成可能にすることができる。
【0065】
学習部４０２は、識別モデルに対して、各種学習データを用いて学習処理を実行し、第１の識別モデルを生成する。学習部４０２は、識別モデルに対して、１以上の特定人物のそれぞれの特定人物についての第１の学習データと、特定人物とは異なる他の人物のそれぞれについての第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成する。
【0066】
学習部４０２は、例えば、識別モデルに、第１の学習データに含まれる音声情報を入力した場合に、第１の学習データに含まれるラベル情報が示す特定人物を識別可能に、識別モデルを更新する。また、学習部４０２は、例えば、識別モデルに、第２の学習データに含まれる音声情報を入力した場合に、特定人物とは異なる他の人物と識別されるように、識別モデルを更新する。これにより、学習部４０２は、識別モデルを基に、話者を１以上の特定人物のそれぞれの特定人物と識別可能な第１の識別モデルを生成することができる。
【0067】
学習部４０２は、識別モデルに対して、指定された１以上の特定人物のそれぞれの特定人物についての第１の学習データと、特定人物とは異なる他の人物のそれぞれについての第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成する。
【0068】
学習部４０２は、例えば、識別モデルに、第１の学習データに含まれる音声情報を入力した場合に、第１の学習データに含まれるラベル情報が示す特定人物を識別可能に、識別モデルを更新する。また、学習部４０２は、例えば、識別モデルに、第２の学習データに含まれる音声情報を入力した場合に、特定人物とは異なる他の人物と識別されるように、識別モデルを更新する。
【0069】
学習部４０２は、具体的には、図８に後述するように、第１の識別モデルを生成する。これにより、学習部４０２は、識別モデルを基に、話者を、複数の特定人物のうち、指定された１以上の特定人物のそれぞれの特定人物と識別可能であり、未指定の特定人物とは識別しない第１の識別モデルを生成することができる。このため、学習部４０２は、話者を、複数の特定人物のうち、会話音声内で発話していない特定人物とは識別しない第１の識別モデルを生成可能にすることができる。結果として、学習部４０２は、識別部４０３が、第１の識別モデルを用いて、会話音声の発話区間に発話した話者を、精度よく識別可能にすることができる。
【0070】
識別部４０３は、会話音声を示す音声情報を、生成した第１の識別モデルに入力し、会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、１以上の特定人物および特定人物とは異なる人物のいずれかの人物に識別する。
【0071】
これにより、識別部４０３は、会話音声のうち、特定人物とは異なる人物が発話した発話区間が含まれても、発話区間に発話した話者を精度よく識別することができる。識別部４０３は、例えば、発話区間に発話した話者が、実際には特定人物とは異なる人物であれば、１以上の特定人物のいずれかの特定人物と誤って識別することを防止することができる。このため、識別部４０３は、話者が特定人物と識別した発話区間に、実際には話者が特定人物とは異なる人物である発話区間が混在することを防止することができ、発話区間に発話した話者を精度よく識別することができる。
【0072】
分類部４０４は、話者が特定人物とは異なる人物であると識別された発話区間を、発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類する。分類部４０４は、例えば、話者が特定人物とは異なる人物であると識別された発話区間の音声情報を、識別モデルに入力し、発話区間の音声特徴を取得する。分類部４０４は、話者が特定人物とは異なる人物であると識別された発話区間を、取得した音声特徴に基づいて、１以上のグループのそれぞれのグループに分類する。分類部４０４は、具体的には、発話区間の音声特徴をクラスタリングすることにより、発話区間を、１以上のグループのそれぞれのグループに分類する。
【0073】
これにより、分類部４０４は、予め第１の学習データを用意することが困難な、特定人物とは異なる人物が発話した発話区間を、人物単位でグループに分類することができ、作業者が、話者を具体的に識別しやすくすることができる。また、分類部４０４は、話者が１以上の特定人物のいずれかの特定人物である発話区間を特定済みであり、分類対象とする発話区間の数が低減されるため、発話区間を精度よく分類しやすくすることができる。
【0074】
設定部４０５は、話者が特定人物とは異なる人物であると識別された発話区間に対応付ける人物の指定を受け付ける。設定部４０５は、出力部４０６が、話者が特定人物とは異なる人物であると識別された発話区間を分類した結果を出力した後、ユーザの操作入力に基づき、話者が特定人物とは異なる人物であると識別された発話区間に対応付ける人物の指定を受け付ける。これにより、設定部４０５は、作業者が、話者を具体的に識別した結果を取得することができる。
【0075】
出力部４０６は、いずれかの機能部の処理結果を出力する。出力形式は、例えば、ディスプレイ３０６への表示、プリンタへの印刷出力、ネットワークＩ／Ｆ３０３による外部装置への送信、または、メモリ３０２や記録媒体３０５などの記憶領域への記憶である。
【0076】
出力部４０６は、話者が１以上の特定人物のいずれかの特定人物であると識別された発話区間と、いずれかの人物とを対応付けて出力し、話者が特定人物とは異なる人物であると識別された発話区間を分類した結果を出力する。出力部４０６は、例えば、話者が１以上の特定人物のいずれかの特定人物であると識別された発話区間と、いずれかの人物とを対応付けて、ディスプレイ３０６に表示する。また、出力部４０６は、例えば、話者が特定人物とは異なる人物であると識別された発話区間を分類した結果を、ディスプレイ３０６に表示する。
【0077】
これにより、出力部４０６は、話者を１以上の特定人物のいずれかの特定人物と識別した識別結果を、作業者が把握可能にすることができ、作業者にかかる作業負担の低減化を図ることができる。また、出力部４０６は、１以上の特定人物とは異なる人物に関する発話区間を分類した分類結果を、作業者が把握可能にすることができる。そして、出力部４０６は、作業者が、グループに分類された発話区間の音声を聞いて、グループに分類された発話区間に発話した話者を、具体的な人物に識別可能にすることができ、作業者にかかる作業負担の低減化を図ることができる。
【0078】
出力部４０６は、話者が特定人物とは異なる人物であると識別された発話区間と、指定された人物とを対応付けて出力してもよい。出力部４０６は、例えば、話者が特定人物とは異なる人物であると識別された発話区間と、指定された人物とを対応付けて、ディスプレイ３０６に表示する。これにより、出力部４０６は、作業者が、グループに分類された発話区間に発話した話者を、具体的な人物に識別した結果を、参照可能にすることができ、作業者の利便性の向上を図ることができる。
【0079】
【0080】
図５は、学習済みＮＮ５００の一例を示す説明図である。図５において、学習済みＮＮ５００は、入力層と、１以上の中間層と、出力層とを有する。入力層と中間層と出力層との各層は、１以上のノードを有する。ノードは、自ノードに入力された値に所定の処理を実行し、所定の処理により得られた値を出力する。
【0081】
学習済みＮＮ５００は、入力層の１以上のノードで、単位時間分の音声情報の入力を受け付ける。学習済みＮＮ５００は、例えば、入力層の１以上のノードのそれぞれのノードで、単位時間分の音声情報における各時刻の特徴量の入力を受け付ける。学習済みＮＮ５００は、単位時間分の音声情報が入力されたことに応じて、中間層および出力層のノードに規定された処理を実行し、出力層の１以上のノードの出力値により、単位時間に発話した話者の識別結果を表現する。
【0082】
学習済みＮＮ５００は、例えば、１００人分～２００人分の人物のそれぞれについての、人物の発話音声を示す音声情報と人物を示すラベル情報とが関連付けられた学習データに基づき生成される。このため、学習済みＮＮ５００は、話者を識別する目的に適したネットワークトポロジーを形成する傾向がある。また、学習済みＮＮ５００は、話者を１００人分～２００人分の人物のいずれかの人物に識別可能である。換言すれば、出力層は、１００人分～２００人分の人物のそれぞれに対応するノードを有し、話者を１００人分～２００人分の人物のいずれかの人物に識別した識別結果を表現可能である。
【0083】
これにより、話者識別装置１００は、話者を識別する目的に適したネットワークトポロジーを形成する学習済みＮＮ５００を記憶しておくことができる。話者識別装置１００は、学習済みＮＮ５００に基づき、話者を識別する目的に適したネットワークトポロジーを流用した、図９に後述するような更新済みＮＮ９１０を生成可能にすることができる。更新済みＮＮ９１０は、後述する会議音声のいずれかの発話区間に発話した話者を、実際に識別しようとする際に用いられる。次に、図６を用いて、話者識別装置１００が記憶する学習データの一例について説明する。
【0084】
図６は、学習データの一例を示す説明図である。図６において、学習データは、入力データと正解データのセットである。入力データは、発話音声を示す音声情報である。正解データは、話者を示すラベル情報である。図６の例では、話者識別装置１００は、学習データ６１０と、学習データ６２０と、学習データ６３０と、学習データ６４０と、学習データ６５０と、学習データ６６０となどを記憶する。
【0085】
学習データ６１０と、学習データ６２０と、学習データ６３０とは、話者を特定人物と識別可能にするための、特定人物についての学習データである。特定人物は、学習データを予め用意可能な人物である。学習データ６１０は、音声情報６１１と、Ａさんを示すラベル情報６１２とを関連付ける。学習データ６２０は、音声情報６２１と、Ｂさんを示すラベル情報６２２とを関連付ける。学習データ６３０は、音声情報６３１と、Ｃさんを示すラベル情報６３２とを関連付ける。話者識別装置１００は、ＡさんとＢさんとＣさんと以外の特定人物についての学習データを記憶していてもよい。
【0086】
学習データ６４０と、学習データ６５０と、学習データ６６０とは、話者をダミーと識別可能にするための学習データである。学習データ６４０は、音声情報６４１と、ダミーを示すラベル情報６４２とを関連付ける。学習データ６５０は、音声情報６５１と、ダミーを示すラベル情報６５２とを関連付ける。学習データ６６０は、音声情報６６１と、ダミーを示すラベル情報６６２とを関連付ける。話者識別装置１００は、学習データ６４０と、学習データ６５０と、学習データ６６０と以外に、話者をダミーと識別可能にするための学習データを記憶していてもよい。
【0087】
これにより、話者識別装置１００は、学習データに基づき、後述する会議音声のいずれかの発話区間に発話した話者を、実際に識別しようとする際に用いられる、図９に後述するような更新済みＮＮ９１０を生成可能にすることができる。次に、図７を用いて、話者識別装置１００が特定人物の指定を受け付ける一例について説明する。
【0088】
図７は、特定人物の指定を受け付ける一例を示す説明図である。図７において、話者識別装置１００は、参加者追加画面７００を、ディスプレイ３０６に表示する。話者識別装置１００は、参加者追加画面７００を介して、会議の参加者となる特定人物の指定を受け付ける。図７の例では、話者識別装置１００は、特定人物であるＡさんとＢさんとＣさんとの指定を受け付ける。
【0089】
これにより、話者識別装置１００は、会議の参加者となり、後述する会議音声のいずれかの発話区間に発話すると、作業者が判断した特定人物の指定を受け付けることができる。このため、話者識別装置１００は、図９に後述するような更新済みＮＮ９１０を生成する際に、いずれの特定人物についての学習データを利用すればよいのかを判断可能にすることができる。そして、話者識別装置１００は、図９に後述するような会議音声９００の発話区間に発話した話者を識別することに適した、図９に後述するような更新済みＮＮ９１０を生成可能にすることができる。また、話者識別装置１００は、記憶している学習データのすべてを利用する場合に比べて、図９に後述するような更新済みＮＮ９１０を生成する際にかかる処理量の低減化を図ることができる。
【0090】
また、話者識別装置１００は、特定人物ではなく、予め学習データが用意されていない、会議の参加者となる人物の指定を受け付けてもよい。話者識別装置１００は、例えば、ＤさんとＥさんとの指定を受け付けてもよい。これにより、話者識別装置１００は、発話区間をグループに分類した際に、グループのＩＤとして利用可能な、人物を示すラベルを取得することができる。次に、図８を用いて、話者識別装置１００が、指定された特定人物についての学習データに基づいて、学習済みＮＮ５００を更新し、更新済みＮＮ９１０を生成する一例について説明する。
【0091】
図８は、学習済みＮＮ５００を更新する一例を示す説明図である。図８において、話者識別装置１００は、図６に示した学習データの中から、図７において指定された１以上の特定人物のそれぞれの特定人物についての学習データを抽出する。
【0092】
話者識別装置１００は、例えば、学習データ６１０を抽出し、音声情報６１１を学習済みＮＮ５００の入力層に入力した場合に、学習済みＮＮ５００の出力層が、ラベル情報６１２が示すＡさんを表現するように、学習済みＮＮ５００の出力層を更新する。話者識別装置１００は、同様に、学習データ６２０や学習データ６３０を抽出し、学習済みＮＮ５００の出力層を更新する。また、話者識別装置１００は、同様に、学習データ６４０や学習データ６５０や学習データ６６０を抽出し、学習済みＮＮ５００の出力層を更新する。
【0093】
これにより、話者識別装置１００は、話者が指定された特定人物であれば話者を指定された特定人物と識別可能であり、話者が指定された特定人物でなければ話者をダミーと識別可能に、学習済みＮＮ５００を更新することができる。そして、話者識別装置１００は、図９に後述するような更新済みＮＮ９１０を生成することができる。次に、図９を用いて、話者識別装置１００が、特定話者識別処理により、更新済みＮＮ９１０を用いて、後述する会議音声のいずれかの発話区間に発話した話者を識別し、後述する会議音声のいずれかの発話区間にラベルを付与する一例について説明する。
【0094】
図９は、発話区間にラベルを付与する一例を示す説明図である。図９において、話者識別装置１００は、会議音声９００を取得する。話者識別装置１００は、会議音声９００からノイズ区間を除去し、発話区間を抽出する。話者識別装置１００は、発話区間の音声情報９０１を、更新済みＮＮ９１０に入力し、発話区間に発話した話者を識別し、発話区間に識別した話者のラベルを付与する。
【0095】
話者識別装置１００は、具体的には、発話区間の音声情報９０１を、単位時間ごとの音声情報に分割する。話者識別装置１００は、単位時間ごとの音声情報を、それぞれ、更新済みＮＮ９１０の入力層に入力し、単位時間ごとに発話した話者を識別する。話者識別装置１００は、発話区間内で、単位時間に発話した話者として識別された回数が最も多い人物を、発話区間に発話した話者として識別する。話者識別装置１００は、発話区間に対し、発話区間に発話した話者として識別された人物を示すラベルを付与する。
【0096】
これにより、話者識別装置１００は、会議音声９００から抽出した発話区間に発話した話者が、指定された特定人物であれば、発話区間に特定人物を示すラベルを付与することができる。また、話者識別装置１００は、会議音声９００から抽出した発話区間に発話した話者が、指定された特定人物とは異なる他の人物であれば、発話区間にダミーを示すラベルを付与することができる。このため、話者識別装置１００は、発話区間に発話した話者を、精度よく識別することができる。次に、図１０を用いて、話者識別装置１００が、不特定話者識別処理により、ダミーを示すラベルが付与された発話区間を、さらに分類する一例について説明する。
【0097】
図１０は、発話区間を分類する一例を示す説明図である。図１０において、話者識別装置１００は、ダミーを示すラベルが付与された発話区間の音声情報１０００を、学習済みＮＮ５００に入力する。そして、話者識別装置１００は、１以上の中間層のうち末尾の中間層に含まれる１以上のノードのそれぞれのノードの出力値を、音声情報１０００の音声特徴として取得する。
【0098】
話者識別装置１００は、具体的には、ダミーを示すラベルが付与された発話区間の音声情報１０００を、単位時間ごとの音声情報に分割する。話者識別装置１００は、単位時間ごとの音声情報を、それぞれ、学習済みＮＮ５００の入力層に入力し、１以上の中間層の末尾の中間層に含まれる１以上のノードのそれぞれのノードの出力値を、音声特徴として取得する。話者識別装置１００は、音声特徴をクラスタリングし、ダミーを示すラベルが付与された発話区間を、グループに分類する。
【0099】
話者識別装置１００は、ダミーを示すラベルが付与された発話区間に、ダミーを示すラベルが付与された発話区間を分類したグループのＩＤを付与する。話者識別装置１００は、例えば、図７において、特定人物ではない会議の参加者となる人物として、ＤさんとＥさんとの指定を受け付けていれば、グループのＩＤとして、Ｄさんを示すラベルとＥさんを示すラベルとを利用してもよい。話者識別装置１００は、グループのＩＤとして、グループに割り振った番号を利用してもよい。
【0100】
これにより、話者識別装置１００は、特定人物ではなく、予め学習データを用意することが困難な人物が発話した発話区間を、人物単位でグループに分類し、ＩＤを付与することができる。また、話者識別装置１００は、話者が特定人物と識別された発話区間を除いて、発話区間を分類するため、発話区間を精度よく分類しやすくすることができる。次に、図１１を用いて、話者識別装置１００が、図９において発話区間にラベルを付与した結果、および、図１０において発話区間を分類した結果を示す対応結果画面１１００を表示する一例について説明する。
【0101】
図１１は、対応結果画面１１００を表示する一例を示す説明図である。話者識別装置１００は、対応結果画面１１００を、ディスプレイ３０６に表示する。対応結果画面１１００は、参加者情報を表示するフィールド１１０１と、会議音声９００内の発話区間を表示するフィールド１１０２とを含む。フィールド１１０１は、参加者情報として、図７において指定された、会議の参加者となる特定人物を示すラベル、および、会議の参加者となる特定人物以外の人物を示すラベルが表示される。また、フィールド１１０１は、図７において会議の参加者となる特定人物以外の人物が指定されていなければ、会議の参加者となる特定人物以外の人物を示すラベルの代わりに、グループに割り振った番号が表示されてもよい。
【0102】
フィールド１１０２は、フィールド１１０１に表示された会議の参加者となる特定人物を示すラベルと同じ列に対応付けて、特定人物が話者であると識別された発話区間を表示する。この際、発話区間は、例えば、会議音声の再生時間内での位置を特定可能に表示される。図１１の例では、再生時間は、０分～９０分である。話者識別装置１００は、フィールド１１０１に表示された会議の参加者となる特定人物を示すラベルがクリックされたことに応じて、特定人物が話者であると識別された発話区間の音声を再生してもよい。
【0103】
また、フィールド１１０２は、フィールド１１０１に表示された会議の参加者となる特定人物以外の人物を示すラベルと同じ列に対応付けて、特定人物以外の人物を示すラベルが付与されたグループに属する発話区間を表示する。この際、発話区間は、例えば、会議音声の再生時間内での位置を特定可能に表示される。話者識別装置１００は、フィールド１１０２に表示された会議の参加者となる特定人物以外の人物を示すラベルがクリックされたことに応じて、特定人物以外の人物を示すラベルが付与されたグループに属する発話区間の音声を再生してもよい。これにより、話者識別装置１００は、作業者が、グループに属する発話区間の音声を聞くことができ、グループに属する発話区間に発話した話者が、具体的に誰であるのかを識別しやすくすることができる。
【0104】
また、話者識別装置１００は、フィールド１１０１に表示された会議の参加者となる特定人物以外の人物を示すラベルを入れ替える操作入力を受け付けてもよい。そして、話者識別装置１００は、操作入力に基づき、グループに付与されたラベルを入れ替えてもよい。これにより、話者識別装置１００は、作業者が、具体的に識別した話者を示すラベルを、グループに属する発話区間に対応付けることができ、発話区間に発話した話者を精度よく識別した結果を記憶しておくことができる。
【0105】
ここでは、話者識別装置１００が、発話区間を特定した後、更新済みＮＮ９１０を用いて発話区間に発話した話者を識別する場合について説明したが、これに限らない。例えば、話者識別装置１００が、会議音声の先頭から単位時間ずつ、更新済みＮＮ９１０を用いて話者を識別した後、同じ話者と識別した単位時間を集めて発話区間を特定する場合があってもよい。
【0106】
また、ここでは、話者識別装置１００が、発話区間内で、単位時間に発話した話者として識別された回数が最も多い人物を、発話区間に発話した話者として識別する場合について説明したが、これに限らない。例えば、話者識別装置１００が、いずれかの発話区間内で同じ話者と識別した単位時間ごとにグループ化し、いずれかの発話区間を異なる話者が発話した２以上の発話区間に分割する場合があってもよい。
【0107】
（全体処理手順）
次に、図１２を用いて、話者識別装置１００が実行する、全体処理手順の一例について説明する。全体処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。
次に、図１２を用いて、話者識別装置１００が実行する、全体処理手順の一例について説明する。全体処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。
【0108】
図１２は、全体処理手順の一例を示すフローチャートである。図１２において、話者識別装置１００は、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）画面を介して、複数の人物の指定を受け付ける（ステップＳ１２０１）。そして、話者識別装置１００は、指定された複数の人物のうち、学習データが存在しない人物を示すラベルを生成し、グループに付与するＩＤとして記憶する（ステップＳ１２０２）。
【0109】
次に、話者識別装置１００は、指定された複数の人物のうち、学習データが存在する１以上の特定人物のそれぞれの特定人物の発話音声を示す音声情報を含む学習データを取得する（ステップＳ１２０３）。そして、話者識別装置１００は、ダミーの人物の発話音声を示す音声情報を含む学習データを取得する（ステップＳ１２０４）。
【0110】
次に、話者識別装置１００は、会話音声を示す音声情報の入力を受け付ける（ステップＳ１２０５）。そして、話者識別装置１００は、図１３に後述するハイブリッド話者識別処理を実行する（ステップＳ１２０６）。次に、話者識別装置１００は、ハイブリッド話者識別処理の結果に基づいて、指定された複数の人物のそれぞれの人物と発話区間とを対応付けて、ＧＵＩ画面に表示する（ステップＳ１２０７）。そして、話者識別装置１００は、全体処理を終了する。
【0111】
（ハイブリッド話者識別処理手順）
次に、図１３を用いて、話者識別装置１００が実行する、ハイブリッド話者識別処理手順の一例について説明する。ハイブリッド話者識別処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。
次に、図１３を用いて、話者識別装置１００が実行する、ハイブリッド話者識別処理手順の一例について説明する。ハイブリッド話者識別処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。
【0112】
図１３は、ハイブリッド話者識別処理手順の一例を示すフローチャートである。図１３において、話者識別装置１００は、学習済みモデルを、１以上の特定人物のそれぞれの特定人物の発話音声を示す音声情報を含む学習データ、および、ダミーの人物の発話音声を示す音声情報を含む学習データを用いて更新する（ステップＳ１３０１）。
【0113】
次に、話者識別装置１００は、更新により得られた更新済みモデルを用いて、会話音声を示す音声情報に基づいて、図９に示したような特定話者識別処理を実行する（ステップＳ１３０２）。そして、話者識別装置１００は、特定話者識別処理の結果、１以上の特定人物のいずれかの特定人物が話者であると識別された発話区間に、当該特定人物を対応付けて記憶し、ダミーの人物が話者であると識別された発話区間を記憶する（ステップＳ１３０３）。
【0114】
次に、話者識別装置１００は、学習済みモデルを用いて、ダミーの人物が話者であると識別された発話区間の音声情報に基づいて、図１０に示すような不特定話者識別処理を実行する（ステップＳ１３０４）。そして、話者識別装置１００は、不特定話者識別処理の結果、ダミーの人物が話者であると識別された発話区間に、学習データが存在しない人物を示すラベルを対応付けて記憶する（ステップＳ１３０５）。その後、話者識別装置１００は、ハイブリッド話者識別処理を終了する。
【0115】
ここで、話者識別装置１００は、図１２および図１３に示したフローチャートの一部ステップの処理の順序を入れ替えて実行してもよい。例えば、ステップＳ１２０２～Ｓ１２０５の処理の順序は入れ替え可能である。また、話者識別装置１００は、図１２および図１３に示したフローチャートの一部ステップの処理を省略してもよい。例えば、ステップＳ１２０２の処理は省略可能である。
【0116】
以上説明したように、話者識別装置１００によれば、識別モデルに対して、特定人物についての第１の学習データと、特定人物とは異なる他の人物についての第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成することができる。話者識別装置１００によれば、会話音声を示す音声情報を、生成した第１の識別モデルに入力し、会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、特定人物および特定人物とは異なる人物のいずれかの人物に識別することができる。話者識別装置１００によれば、話者が特定人物とは異なる人物であると識別された発話区間を、発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類することができる。話者識別装置１００によれば、話者が特定人物であると識別された発話区間と、特定人物とを対応付けて出力し、話者が特定人物とは異なる人物であると識別された発話区間を分類した結果を出力することができる。これにより、話者識別装置は、会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、精度よく識別可能にすることができる。
【0117】
話者識別装置１００によれば、１以上の特定人物の指定を受け付けることができる。話者識別装置１００によれば、識別モデルに対して、指定された１以上の特定人物のそれぞれの特定人物についての第１の学習データと、特定人物とは異なる他の人物のそれぞれについての第２の学習データとを用いて、学習処理を実行することができる。これにより、話者識別装置１００は、会話音声内で発話する特定人物を精度よく識別可能な第１の識別モデルを生成することができる。
【0118】
話者識別装置１００によれば、話者が特定人物とは異なる人物であると識別された発話区間の音声情報を、識別モデルに入力し、発話区間の音声特徴を取得することができる。話者識別装置１００によれば、話者が特定人物とは異なる人物であると識別された発話区間を、取得した音声特徴に基づいて、１以上のグループのそれぞれのグループに分類することができる。これにより、話者識別装置１００は、発話区間を精度よく分類することができる。
【0119】
話者識別装置１００によれば、話者が特定人物とは異なる人物であると識別された発話区間に対応付ける人物の指定を受け付けることができる。話者識別装置１００によれば、話者が特定人物とは異なる人物であると識別された発話区間と、指定された人物とを対応付けて出力することができる。これにより、話者識別装置１００は、作業者が、話者を具体的に識別した結果を記憶しておくことができる。
【0120】
話者識別装置１００によれば、特定人物とは異なる他の人物の発話音声を示す音声情報を取得し、所定の録音環境に合わせて、取得した音声情報を加工することができる。話者識別装置１００によれば、特定人物とは異なる他の人物の加工後の音声情報と、特定人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データを作成することができる。これにより、話者識別装置１００は、所定の録音環境で会話音声が録音された場合、会話音声に含まれる発話区間に発話した話者を精度よく識別可能である第１の識別モデルを生成可能にすることができる。
【0121】
なお、本実施の形態で説明した話者識別方法は、予め用意されたプログラムをパーソナル・コンピュータやワークステーション等のコンピュータで実行することにより実現することができる。本実施の形態で説明した話者識別プログラムは、ハードディスク、フレキシブルディスク、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。また、本実施の形態で説明した話者識別プログラムは、インターネット等のネットワークを介して配布してもよい。
【符号の説明】
【0122】
１００ 話者識別装置
１０１～１０７，６１０，６２０，６３０，６４０，６５０，６６０ 学習データ
１１０，１４０ 学習済みモデル
１１１ 更新済みモデル
１２０，６１１，６２１，６３１，６４１，６５１，６６１，９０１，１０００ 音声情報
１３１～１３５ 発話区間
２００ 話者識別システム
２０１ クライアント装置
２１０ ネットワーク
３００ バス
３０１ ＣＰＵ
３０２ メモリ
３０３ ネットワークＩ／Ｆ
３０４ 記録媒体Ｉ／Ｆ
３０５ 記録媒体
３０６ ディスプレイ
３０７ 入力装置
４００ 記憶部
４０１ 取得部
４０２ 学習部
４０３ 識別部
４０４ 分類部
４０５ 設定部
４０６ 出力部
５００ 学習済みＮＮ
６１２，６２２，６３２，６４２，６５２，６６２ ラベル情報
７００ 参加者追加画面
９００ 会議音声
９１０ 更新済みＮＮ
１１００ 対応結果画面
１１０１，１１０２ フィールド
１０１～１０７，６１０，６２０，６３０，６４０，６５０，６６０ 学習データ
１１０，１４０ 学習済みモデル
１１１ 更新済みモデル
１２０，６１１，６２１，６３１，６４１，６５１，６６１，９０１，１０００ 音声情報
１３１～１３５ 発話区間
２００ 話者識別システム
２０１ クライアント装置
２１０ ネットワーク
３００ バス
３０１ ＣＰＵ
３０２ メモリ
３０３ ネットワークＩ／Ｆ
３０４ 記録媒体Ｉ／Ｆ
３０５ 記録媒体
３０６ ディスプレイ
３０７ 入力装置
４００ 記憶部
４０１ 取得部
４０２ 学習部
４０３ 識別部
４０４ 分類部
４０５ 設定部
４０６ 出力部
５００ 学習済みＮＮ
６１２，６２２，６３２，６４２，６５２，６６２ ラベル情報
７００ 参加者追加画面
９００ 会議音声
９１０ 更新済みＮＮ
１１００ 対応結果画面
１１０１，１１０２ フィールド
【0123】
上述した実施の形態に関し、さらに以下の付記を開示する。
【0124】
（付記１）コンピュータに、
入力された音声情報から話者を識別する識別モデルに対して、１以上の人物のそれぞれの人物についての、前記人物の発話音声を示す音声情報と前記人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、
会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の人物および前記異なる人物のいずれかの人物に識別し、
話者が前記異なる人物であると識別された発話区間を、前記発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類し、
話者が前記１以上の人物のいずれかの人物であると識別された発話区間と、前記いずれかの人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間を分類した結果を出力する、
処理を実行させることを特徴とする話者識別プログラム。
入力された音声情報から話者を識別する識別モデルに対して、１以上の人物のそれぞれの人物についての、前記人物の発話音声を示す音声情報と前記人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、
会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の人物および前記異なる人物のいずれかの人物に識別し、
話者が前記異なる人物であると識別された発話区間を、前記発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類し、
話者が前記１以上の人物のいずれかの人物であると識別された発話区間と、前記いずれかの人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間を分類した結果を出力する、
処理を実行させることを特徴とする話者識別プログラム。
【0125】
（付記２）前記コンピュータに、
前記１以上の人物の指定を受け付ける、処理を実行させ、
前記生成する処理は、
前記識別モデルに対して、指定された前記１以上の人物のそれぞれの人物についての前記第１の学習データと、前記他の人物のそれぞれについての前記第２の学習データとを用いて、学習処理を実行し、前記第１の識別モデルを生成する、ことを特徴とする付記１に記載の話者識別プログラム。
前記１以上の人物の指定を受け付ける、処理を実行させ、
前記生成する処理は、
前記識別モデルに対して、指定された前記１以上の人物のそれぞれの人物についての前記第１の学習データと、前記他の人物のそれぞれについての前記第２の学習データとを用いて、学習処理を実行し、前記第１の識別モデルを生成する、ことを特徴とする付記１に記載の話者識別プログラム。
【0126】
（付記３）前記コンピュータに、
話者が前記異なる人物であると識別された発話区間の音声情報を、前記識別モデルに入力し、前記発話区間の音声特徴を取得する、処理を実行させ、
前記分類する処理は、
話者が前記異なる人物であると識別された発話区間を、取得した前記音声特徴に基づいて、前記１以上のグループのそれぞれのグループに分類する、
処理を実行させることを特徴とする付記１または２に記載の話者識別プログラム。
話者が前記異なる人物であると識別された発話区間の音声情報を、前記識別モデルに入力し、前記発話区間の音声特徴を取得する、処理を実行させ、
前記分類する処理は、
話者が前記異なる人物であると識別された発話区間を、取得した前記音声特徴に基づいて、前記１以上のグループのそれぞれのグループに分類する、
処理を実行させることを特徴とする付記１または２に記載の話者識別プログラム。
【0127】
（付記４）前記コンピュータに、
話者が前記異なる人物であると識別された発話区間に対応付ける人物の指定を受け付ける、処理を実行させ、
前記出力する処理は、
話者が前記異なる人物であると識別された発話区間と、指定された前記人物とを対応付けて出力する、ことを特徴とする付記１～３のいずれか一つに記載の話者識別プログラム。
話者が前記異なる人物であると識別された発話区間に対応付ける人物の指定を受け付ける、処理を実行させ、
前記出力する処理は、
話者が前記異なる人物であると識別された発話区間と、指定された前記人物とを対応付けて出力する、ことを特徴とする付記１～３のいずれか一つに記載の話者識別プログラム。
【0128】
（付記５）前記コンピュータに、
前記他の人物の発話音声を示す音声情報を取得し、
所定の録音環境に合わせて、取得した前記音声情報を加工し、
前記他の人物の加工後の前記音声情報と、前記異なる人物であることを示すラベル情報とが関連付けられた第２の学習データを作成する、ことを特徴とする付記１～４のいずれか一つに記載の話者識別プログラム。
前記他の人物の発話音声を示す音声情報を取得し、
所定の録音環境に合わせて、取得した前記音声情報を加工し、
前記他の人物の加工後の前記音声情報と、前記異なる人物であることを示すラベル情報とが関連付けられた第２の学習データを作成する、ことを特徴とする付記１～４のいずれか一つに記載の話者識別プログラム。
【0129】
（付記６）コンピュータが、
入力された音声情報から話者を識別する識別モデルに対して、１以上の人物のそれぞれの人物についての、前記人物の発話音声を示す音声情報と前記人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、
会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の人物および前記異なる人物のいずれかの人物に識別し、
話者が前記異なる人物であると識別された発話区間を、前記発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類し、
話者が前記１以上の人物のいずれかの人物であると識別された発話区間と、前記いずれかの人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間を分類した結果を出力する、
処理を実行することを特徴とする話者識別方法。
入力された音声情報から話者を識別する識別モデルに対して、１以上の人物のそれぞれの人物についての、前記人物の発話音声を示す音声情報と前記人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、
会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の人物および前記異なる人物のいずれかの人物に識別し、
話者が前記異なる人物であると識別された発話区間を、前記発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類し、
話者が前記１以上の人物のいずれかの人物であると識別された発話区間と、前記いずれかの人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間を分類した結果を出力する、
処理を実行することを特徴とする話者識別方法。
【0130】
（付記７）入力された音声情報から話者を識別する識別モデルに対して、１以上の人物のそれぞれの人物についての、前記人物の発話音声を示す音声情報と前記人物を示すラベル情報とが関連付けられた第１の学習データと、前記１以上の人物とは異なる他の人物のそれぞれについての、前記他の人物の発話音声を示す音声情報と前記１以上の人物とは異なる人物であることを示すラベル情報とが関連付けられた第２の学習データとを用いて、学習処理を実行し、第１の識別モデルを生成し、
会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の人物および前記異なる人物のいずれかの人物に識別し、
話者が前記異なる人物であると識別された発話区間を、前記発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類し、
話者が前記１以上の人物のいずれかの人物であると識別された発話区間と、前記いずれかの人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間を分類した結果を出力する、
制御部を有することを特徴とする話者識別装置。
会話音声を示す音声情報を、生成した前記第１の識別モデルに入力し、前記会話音声に含まれる複数の発話区間のそれぞれの発話区間に発話した話者を、前記１以上の人物および前記異なる人物のいずれかの人物に識別し、
話者が前記異なる人物であると識別された発話区間を、前記発話区間の音声特徴に基づいて、１以上のグループのそれぞれのグループに分類し、
話者が前記１以上の人物のいずれかの人物であると識別された発話区間と、前記いずれかの人物とを対応付けて出力し、話者が前記異なる人物であると識別された発話区間を分類した結果を出力する、
制御部を有することを特徴とする話者識別装置。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】