伝 康晴

日本語テキスト音声合成では,単語連鎖に伴うアクセント変化(アクセント結合)を適切に処理する必要がある。従来筆者らは規則を用いてアクセント結合処理を実装してきたが,誤った出力をする例が少なからず見られる。そこで,本研究では,まず1人のみのラベラによる大規模なアクセントデータベースを作成した上で,そのデータベースを使用して条件付確率場(CRF)による統計学的学習・推定を行ない,アクセント結合処理を統計的手法で実装した。さらに,統計的手法に従来の規則から得られる知見を導入することで,制度を向上させた。その結果,従来手法や単純な統計的処理として,誤った出力の率を大きく減らすことに成功した。

会話コーパスの実証的な分析に基づいて多人数インタラクションにおける会話構造を明らかにすることを目的として,多人数インタラクションを特徴付けるパラメータの提案を行なった.試験的な多人数インタラクション収録データに基づいてパラメータと会話現象との関係に関する予備的な考察を行った.

Interactive Speech Technology Consortium (ISTC), established on November 2003 after three years activity of the Galatea project supported by Information-technology Promotion Agency (IPA) of Japan, aims at supporting open-source free software development of Multi-Modal Interaction (MMI) for human-like agents. The software named Galatea-toolkit developed by 24 researchers of 16 research institutes in Japan includes a Japanese speech recognition engine, a Japanese speech synthesis engine, and a facial image synthesis engine used for developing an anthropomorphic agent, as well as dialogue manager that can integrates multiple modalities, interprets them, and decides an action with differentiating it to multiple media of voice and facial expression. ISTC provides members a one-day technical seminar and one-week training course to master Galatea-toolkit, as well as a software set (CDROM) every year. © 2004 IEEE.

本稿では,会話相互行為の実証的な分析にふさわしい単位について考察するために,これまでに提案されているいくつかの単位間の比較を行う.比較する分析単位として間休止単位・韻律単位・節単位・スラッシュ単位・ターン構成単位を取り上げる.まず,各単位の判定基準に基づき,共通データ(3人会話)の単位区切りを行う.次に,ターン構成単位を軸としてその他の単位との境界の一致傾向を調べる.また,数量化II類を用いてターン構成単位の境界の有無をその他の単位から予測するモデルを構成し,ターン構成単位へのそれぞれの単位の影響について検討する.分析の結果,ターン構成単位との一致が強いのは節単位・スラッシュ単位であり,予測モデルに大きな影響を与えるのは節単位と一部の韻律単位であることを示す.

擬人化音声対話エージェントのツールキット"Galatea"の開発プロジェクトについて報告する．Galateaの主要な機能は音声認識、音声合成、顔画像合成であり，これらの機能を統合して、対話制御の下で動作させるものである．研究のプラットフォームとして利用されることを想定してカスタマイズ可能性を重視した結果、顔画像が容易に交換可能で，音声合成が話者適応可能で，対話制御の記述変更が容易で，更にこれらの機能モジュール自体を別のモジュールに差し換えることが容易であり，かつ処理ハードウェアの個数に柔軟に対処できるなどの特徴を持つシステムとなった．この成果はダウンロード可能となっており，一般に無償使用承諾している．This paper describes the outline of "Galatea," a software toolkit of anthropomorphic spoken dialog agent development by the authors. Major functions such as speech recognition, speech synthesis and animation generation are integrated and controlled under a dialog control. to emphasize customizability as the dialog research platform, this system features easily replaceable face, speaker-adaptive speech synthesis, easily modification of dialog control script,exchangeable function modules, and multi-processor capability. This toolkit is ready for download with an open source and license-free policy.

擬人化音声対話エージェントのツールキット"Galatea"の開発プロジェクトについて報告する.Galateaの主要な機能は音声認識,音声合成,顔画像合成であり,これらの機能を統合して,対話制御の下で動作させるものである.研究のプラットフォームとして利用されることを想定してカスタマイズ可能性を重視した結果,顔画像が容易に交換可能で,音声合成が話者適応可能で,対話制御の記述変更が容易で,更にこれらの機能モジュール自体を別のモジュールに差し替えることが容易であり,かつ処理ハードウェアの個数に柔軟に対処できるなどの特徴を持つシステムとなった.この成果はダウンロード可能となっており,一般に無償使用許諾している.

筆者らが開発した擬人化音声対話エージェントのツールキット``Galatea''についてその概要を述べる。主要な機能は音声認識、音声合成、顔画像合成であり、これらの機能を統合して、対話制御の下で動作させるものである。研究のプラットフォームとして利用されることを想定してカスタマイズ可能性を重視した結果、顔画像が容易に交換可能で、音声合成が話者適応可能で、対話制御の記述変更が容易で、更にこれらの機能モジュール自体を別のモジュールに差し替えることが容易であり、かつ処理ハードウェアの個数に柔軟に対処できるなどの特徴を持つシステムとなった。この成果はソース公開し、一般に無償使用許諾する予定である。This paper describes the outline of "Galatea," a software toolkit of anthropomorphic spoken dialog agent developed by the authors. Major functions such as speech recognition, speech synthesis and face animation generation are integrated and controlled under a dialog control. To emphasize customizability as the dialog research platform, this system features easily replaceable face, speaker-adaptive speech synthesis, easily modification of dialog control script, exchangeable function modules, and multi-processor capability. This toolkit is to be released shortly to prospective users with an open-source and license-free policy.

本論文では，擬人化音声対話エージェントを将来のヒューマンインタフェースの重要な技術要素として位置づけ，研究開発の共通プラットフォームとなりうる高いカスタマイズ可能性を備えたソフトウェアツールキットの実現を目指し，それに必要な要素とその実現技術について論じる．今後のヒューマンインタフェース技術において，コンピュータがあたかも一個の人間として振る舞い，人間の顔や姿を持ち，ユーザと音声言語で対話するようにすることは，大きな目標の1つである．このような研究開発を進めるにあたっては，多分野の協力が必要であり，研究成果を集積していくための共通プラットフォームが必要である．それには，音声認識，音声合成，画像合成，対話制御などの基本モジュールと，それらを統合制御する仕組みが必要である．さらに，個性の表現や広い応用などのためには，各モジュールは高い基本機能のみならずカスタマイズ可能性が重要である．このため，筆者らは，顔画像が容易に交換可能で，音声合成が話者適応可能で，対話制御の記述変更が容易で，さらにこれらの機能モジュール自体を別のモジュールに差し替えることが容易であるなどの特徴を持つ擬人化音声対話エージェントシステムを構想し，実装した．いくつかの簡単な対話タスクについてエージェントを試作し，必要な機能に関する達成度を確認した．This paper discusses the design and architecture of a software toolkitfor building an easily customizable anthropomorphic spoken dialogagent (ASDA). Human-like spoken dialogue agent is one of the promisingman-machine interface for the next generation. Simply combining,however, the existing software modules for speech recognition, speechsynthesis, face-animation synthesis and dialogue control do not leadto a satisfying agent system as might be expected. ASDA requires moresophisticated functions of the modules than those when the modules areused independently, as well as the integration mechanism. Anotherproblem with ASDA was that it required great customization effortfor any user-system interaction task.Therefore,developing an easy-to-customize software platform for ASDA is quitemeaningful, though it is still a great challenge in both research anddevelopment aspects. This paper discusses basic and essentialrequirements for ASDA systems, and software modules forthe system are designed to fulfill the requirements. Using this software toolkit,A prototype agent system has been developed on a UNIX-based system using thissoftware toolkit.Finally, we discuss current achievements of the toolkit.

筆者らは，顔画像が容易に交換可能で，音声合成が話者適応可能で，対話制御の記述変更が容易で，更にこれらの機能モジュール自体を別のモジュールに差し替えることが容易であり，かつ処理ハードウェアの個数に柔軟に対処できるなどの特徴を持つ擬人化音声対話エージェントシステムを構想し，実装した．各モジュールのインタフェースを統一化して扱い，モジュール間の入出力は，UNIXシステムで使われている標準入出力を用いる簡便な方法にてモジュール統合機構を実現した．いくつかの簡単な対話タスクについてエージェントを試作し，必要な機能に関する達成度を確認した．また，顔画像合成モジュールを制御する新たなモジュールの追加を容易に実現することができた．This paper discusses a design and architecture of a software toolkit to develop an anthropomorphic spoken dialog agent (ASDA) that is easy to customize. Such human-like voice dialogue agent is one of the promising man-machine interface for next generations. To develop such a software toolkit, this paper firstly discusses the basic requirements that ASDA system should have, and then designs the software modules of the systems to fulfill the requirements. A prototype agent system has been developed on the UNIX-base systems by using the software toolkit that is under development. Discussions of the current achievement of the toolkit that will become publicly available as a free software are given finally.

話し言葉研究のための基礎データとしてタグ付きコーパスの蓄積が進んでいる。言語データへの最も基本的なタグは単語わかち書きと品詞付与である。本稿では、書き起こされた話し言葉データへの形態素タグ付け自動化のための問題点について考察する。まず、書き言葉と対比して見られる話し言葉の特徴と問題点データが解析精度にどのように貢献するかを観察する。Tagged corpora are indispensable resource for linguistic research. Several projects are now under way for constructing spoken language corpora. The foundamental annotation to corpora is segmentation and part of speech tagging. In this paper, we examine the issues peculiar to spoken language annotation compared with written language. First, we summarize the characteristics and issues spoken language. We then report some experiments of automatic part of speech tagging based on statistical learning algorithm, through which we see how a small size of tagged corpus is effective in improving the accuracy of the automatic taggers.