堀内 靖雄

© 2018, International Speech Communications Association. All Rights Reserved. To investigate the consistency of base frequency (Fb) labelling of the F0 contour generation model for expressive and/or authentic emotional speech, a Fb labelling experiment was conducted using three trained labellers employing the parallel corpus of emotional speech, Online-gaming voice chat corpus with emotional labelling (OGVC). Twenty-four utterances from spontaneous dialog speech and emotion-acted speech in the OGVC were labelled with the Fb, phrase command, and accent command by the three labellers. A repeated measure analysis of variance was performed with the factor of the corpus type, gender, speaker, emotion, and labeller, for the Fbvalue of each utterance. The results show a significant main effect on gender, speaker, and emotion and the significant interaction between speaker and emotion. The results also indicate that the value of Fbvaried when the different emotions were expressed, even when uttered by the same speaker. Moreover, the precise inspection for the Fbof each utterance suggests that the Fbalso varied when the linguistic content of the utterances differed, even if the same emotion was expressed in those utterances.

In this paper, we propose a speaker indexing method using speaker verification technique to extract one desired speaker's utterances from conversational speech. To solve the overlapped speech problem, we construct overlapped speech models with the observed conversational speech itself. The overlapped speech models include overlapped speech of target and cohort speaker, and speech model of two cohort speakers. In order to evaluate the proposed method, we made a simulated conversational speech that has up to 50% overlapping segments. The equal error rate was reduced by up to 43.7% compared with the conventional methods that use a target speaker model only, and use a target model and overlapped speech model trained with a speaker independent of large speech database. (C). 2016 Wiley Periodicals, Inc.

Eye motion-based human-machine interfaces are used to provide a means of communication for those who can move nothing but their eyes because of injury or disease. To detect eye motions, electrooculography (EOG) is used. For efficient communication, the input speed is critical. However, it is difficult for conventional EOG recognition methods to accurately recognize fast, sequentially input eye motions because adjacent eye motions influence each other. In this paper, we propose a context-dependent hidden Markov model- (HMM-) based EOG modeling approach that uses separate models for identical eye motions with different contexts. Because the influence of adjacent eye motions is explicitly modeled, higher recognition accuracy is achieved. Additionally, we propose a method of user adaptation based on a user-independent EOG model to investigate the trade-off between recognition accuracy and the amount of user-dependent data required for HMM training. Experimental results show that when the proposed context-dependent HMMs are used, the character error rate (CER) is significantly reduced compared with the conventional baseline under user-dependent conditions, from 36.0 to 1.3%. Although the CER increases again to 17.3% when the context-dependent but user-independent HMMs are used, it can be reduced to 7.3% by applying the proposed user adaptation method.

母語話者の話者交替時の重複タイミング現象である話者移行適格場（TRP）に注目し、日本語と英語について、それぞれの母語話者とその言語を十分に習得している非母語話者の実時間対話を分析した。両言語ともに、対話者が母語話者の組み合わせ以外ではTRPの制約が成立していなかった。このことは、非母語話者が発信している言語情報は話者交替の予告情報にはならず、言語情報の裏に必然的に存在するプロソディにあることを示唆している。また日本語母語話者の5歳児と6歳児と成人の対話を分析し、さらに先行研究結果を参考にしたところ、日本語母語のTRPの制約は5歳児ころまでに獲得されることが推察された。母語話者の話者交替タイミング制御のモデルを提案した。

© 2015 The Institute of Electrical Engineers of Japan. In this paper, we propose a speaker indexing method using speaker verification technique to extract one desired speaker's utterances from conversational speech. To solve the overlapped speech problem, we construct overlapped speech models with the observed conversational speech itself. The overlapped speech models include overlapped speech of target and cohort speaker, and speech model of two cohort speakers. In order to evaluate the proposed method, we made a simulated conversational speech that has up to 50% overlapping segments. The EER was reduced by up to 43.7% compared with the conventional methods that use a target speaker model only, and use a target model and overlapped speech model trained with a speaker independent large speech database.

ろう者のコミュニケーションを支援するため,手話CGアニメーションの実現は重要な検討事項である.手話では呈示速度変化により腕の動作も変化することがあるため,任意の呈示速度で再生できる手話CGを実装する際,単純な再生速度の変更機能では不十分と考えられる.本稿ではこの問題点解決のため,呈示速度が速い,普通,遅いの3種類の手話動作を三次元位置計測器で計測したデータを分析し,呈示速度変化と腕の動作変化との関係を明らかにすることを目的とする,分析の結果,呈示速度変化は腕の速度変化よりも,腕の軌跡長の変化で表現されることが多いことが示された.また,腕動作の始点・終点位置の変化を動作特徴ごとに分類し,腕の軌跡長と速度の変化についての関係が示された.

伴奏システムが人間らしい伴奏を行うには，人間の協調演奏法を分析しモデル化する必要がある．我々の先行研究では 「独奏者と伴奏者の演奏タイミングのずれ」 と 「伴奏者の時間長変化」 という 2 つの演奏情報から次拍の時間長変化を予測するモデルを提案した．しかし本研究で名演奏家の合奏録音を分析した結果，直前の時間長変化よりも過去数拍分の平均テンポからのずれの方が予測に有効であることがわかった．そこで新たに線形予測モデルを構築し，予測誤差による評価を行ったところ，従来手法よりも高い精度での予測が可能となった．さらに，本研究では一般的な楽曲における長い音符や休符などにも対応可能な予測モデルを提案する．

音楽情報処理の一分野として研究されている伴奏システムは，人間の伴奏者のように独奏者に協調した演奏を行うシステムである．より良い協調演奏のためにはリハーサルによる独奏者の演奏意図の学習が不可欠であり，この機能を伴奏システムに組み込んだ先行研究はいくつか存在するが，独奏者が伴奏から受ける影響を考慮していないといった手法上の問題があるのに加え，リハーサル機能の有効性の検証も十分ではなかった．そこで本研究では，独奏者の意図したテンポ表現をリハーサルで学習し，学習結果を次回の合奏時のテンポ制御に利用することにより，独奏者の意図を反映した伴奏を実現した．本手法ではリハーサルの初期段階で独奏者が伴奏の影響を受けずに演奏意図をシステムへ伝えられるよう，独奏者単独での演奏による学習を可能とした．4 名のプロフルート奏者による評価実験の結果，提案したリハーサル機能の有効性を確認することができた．

音楽情報処理の一分野として研究されている伴奏システムは，人間の伴奏者のように独奏者に協調した演奏を行うシステムである．より良い協調演奏のためにはリハーサルによる独奏者の演奏意図の学習が不可欠であり，この機能を伴奏システムに組み込んだ先行研究はいくつか存在するが，独奏者が伴奏から受ける影響を考慮していないといった手法上の問題があるのに加え，リハーサル機能の有効性の検証も十分ではなかった．そこで本研究では，独奏者の意図したテンポ表現をリハーサルで学習し，学習結果を次回の合奏時のテンポ制御に利用することにより，独奏者の意図を反映した伴奏を実現した．本手法ではリハーサルの初期段階で独奏者が伴奏の影響を受けずに演奏意図をシステムへ伝えられるよう，独奏者単独での演奏による学習を可能とした．4 名のプロフルート奏者による評価実験の結果，提案したリハーサル機能の有効性を確認することができた．