堀内 靖雄

自然言語処理では処理単位として文などの意味的なまとまりがある単位を用いるため，音声認識結果に対して文境界を示す必要がある．本研究では，まず SVM を用いた文境界検出において文境界直前における語の出現しやすさを考慮することによって文境界検出に適した特徴空間の作成方法を提案する．さらに，音声認識時に認識結果と共に出力される単語信頼度を素性として文境界検出に利用することを検討する．文境界検出においては 『日本語話し言葉コーパス （CSJ）』 を対象として SVM を用いて評価実験を行った．Since the units of processing for Natural Language Processing(NLP) are based on syntactic structure, for example sentence, it is necessary to detect the sentence boundary for the Automatic Speech Recognition(ASR) outputs. In this paper, at first, we propose the feature space that is applied to detecting sentence boundary with Support Vector Machine(SVM) by considering the frequency of the word immediately before sentence boundary. At second, we examine using confidence measure of ASR outputs for sentence boundary detection with SVM. We evaluated our methods on the Corpus of Spontaneous Japanese(CSJ).

本論文では，順位統計量を用いた話者照合手法を紹介する．さらに，順位統計量を用いた話者照合手法における照合コストを下げるためのコホート話者の選択方法について提案する．コホート話者は申告者の音声に対してシステムに登録された不特定多数の話者モデル （GMM） との尤度の順位を基準に作成する．評価実験として，科学警察研究所が構築した大規模話者骨導音声データベースに収録されている男性 283 名の気導音声を用いて実験を行った．従来手法では，全話者 283 名による順位統計量で算出した minDCF が 0.0092 に対して，提案手法では平均 57 名の順位統計量で 0.0098，101 名の順位統計量で 0.0094 という同等の性能を達成した．また，照合スコアとして T-norm を用いた場合の minDCF が 0.0154 だった．In this paper, we introduce a novel speaker verification method which determines whether a claimer is accepted or rejected by the rank of the claimer in a large number of speaker models instead of score normalization, such as T-norm and Z-norm. The method has advantages over the standard T-norm in speaker verification accuracy. However, it needs much computation time as well as T-norm that needs calculating likelihoods for many cohort models. Hence, we also discuss the speed-up the method that selects cohort speakers for each target speaker in the training stage. This data driven approach can significantly reduce computation time resulting in faster speaker verification decision. We conducted text-independent speaker verification experiments using large-scale Japanese speaker recognition evaluation corpus constructed by National Research Institute of Police Science. From the corpus, we used utterances collected from 283 Japanese males. As results, the proposed method whose the number of cohort speaker is 57 achieved an minDCF of 0.0098, while using 282 speakers as cohort speaker obtained 0.0092 and T-norm obtained 0.0154.

本論文では，順位統計量を用いた話者照合手法を紹介する．さらに，順位統計量を用いた話者照合手法における照合コストを下げるためのコホート話者の選択方法について提案する．コホート話者は申告者の音声に対してシステムに登録された不特定多数の話者モデル （GMM） との尤度の順位を基準に作成する．評価実験として，科学警察研究所が構築した大規模話者骨導音声データベースに収録されている男性 283 名の気導音声を用いて実験を行った．従来手法では，全話者 283 名による順位統計量で算出した minDCF が 0.0092 に対して，提案手法では平均 57 名の順位統計量で 0.0098，101 名の順位統計量で 0.0094 という同等の性能を達成した．また，照合スコアとして T-norm を用いた場合の minDCF が 0.0154 だった．In this paper, we introduce a novel speaker verification method which determines whether a claimer is accepted or rejected by the rank of the claimer in a large number of speaker models instead of score normalization, such as T-norm and Z-norm. The method has advantages over the standard T-norm in speaker verification accuracy. However, it needs much computation time as well as T-norm that needs calculating likelihoods for many cohort models. Hence, we also discuss the speed-up the method that selects cohort speakers for each target speaker in the training stage. This data driven approach can significantly reduce computation time resulting in faster speaker verification decision. We conducted text-independent speaker verification experiments using large-scale Japanese speaker recognition evaluation corpus constructed by National Research Institute of Police Science. From the corpus, we used utterances collected from 283 Japanese males. As results, the proposed method whose the number of cohort speaker is 57 achieved an minDCF of 0.0098, while using 282 speakers as cohort speaker obtained 0.0092 and T-norm obtained 0.0154.

自然言語処理では処理単位として文などの意味的なまとまりがある単位を用いるため，音声認識結果に対して文境界を示す必要がある．本研究では，まず SVM を用いた文境界検出において文境界直前における語の出現しやすさを考慮することによって文境界検出に適した特徴空間の作成方法を提案する．さらに，音声認識時に認識結果と共に出力される単語信頼度を素性として文境界検出に利用することを検討する．文境界検出においては 『日本語話し言葉コーパス （CSJ）』 を対象として SVM を用いて評価実験を行った．Since the units of processing for Natural Language Processing(NLP) are based on syntactic structure, for example sentence, it is necessary to detect the sentence boundary for the Automatic Speech Recognition(ASR) outputs. In this paper, at first, we propose the feature space that is applied to detecting sentence boundary with Support Vector Machine(SVM) by considering the frequency of the word immediately before sentence boundary. At second, we examine using confidence measure of ASR outputs for sentence boundary detection with SVM. We evaluated our methods on the Corpus of Spontaneous Japanese(CSJ).

我々は視覚障害者のための仮名漢字変換手法として,意味情報を用いた手法を検討してきている.説明語には主に類義語を利用するが,複数ある類義語からどの単語を説明語として選択するかの基準は存在しない.本研究において,変換語とその同義語の意味的近さを主観評価実験により調査した結果,単語親密度が高いほど意味的に近いと評定された.この結果より単語親密度に基づく選択手法が妥当であることが示された.

我々は視覚障害者のための仮名漢字変換手法として,意味情報を用いた手法を検討してきている.説明語には主に類義語を利用するが,複数ある類義語からどの単語を説明語として選択するかの基準は存在しない.本研究において,変換語とその同義語の意味的近さを主観評価実験により調査した結果,単語親密度が高いほど意味的に近いと評定された.この結果より単語親密度に基づく選択手法が妥当であることが示された.

我々は独奏者のブレスによる合図を伴奏制御のインタフェースとして利用可能な伴奏システムを開発してきており，以前の研究では曲の冒頭部においてブレスの合図を利用できるシステムを提案した．本研究では曲の冒頭だけでなく，曲中でもブレスによる合図を利用可能な手法を提案する．システムを実装し，人間の演奏者による評価実験を行った結果，ブレスによる合図を用いた方がずれが減少し、演奏者による主観評価も高いことが示された．We are developing the accompaniment system using musical cues by the soloist's breath. In our previous study, we introduced the method of using breath cues at the beginning of musical piece. In this study, we introduced the method using breath cues not only at the beginning but also during a piece and performed the evaluation experiment by human soloists. As a result, it was suggested that the new system achieved better synchronization between the soloist and the system than the previous system and the performers who used the system preferred the new system better than the previous system.

In this research, we analyzed the overlap phenomena at turn-taking points in Japanese Sign Language Dialogue. The spontaneous dialogue data were recorded in the environment where they can look at each other via prompters and three dialogue data by six native signers were used for the analysis. First, it was shown that the overlaps at turn-taking point occurred with very high frequency (75%). Secondly, we analyzed these phenomena based on "turn-taking system for conversation" by H. Sacks, E.A. Schegloff and G. Jefferson and found the situations where the speaker (signer) continued his/her utterance after TRP (transition-relevance place) and the next speaker started his/her turn by recognizing or projecting the TRP, therefore the overlap occurred. We consider these types of overlap as the normal turn-taking. Finally, there were a few case (18%) where the turn-taking rule was broken and the other cases follow the rule.

In this research, we analyzed the overlap phenomena at turn-taking points in Japanese Sign Language Dialogue. The spontaneous dialogue data were recorded in the environment where they can look at each other via prompters and three dialogue data by six native signers were used for the analysis. First, it was shown that the overlaps at turn-taking point occurred with very high frequency (75%). Secondly, we analyzed these phenomena based on "turn-taking system for conversation" by H. Sacks, E.A. Schegloff and G. Jefferson and found the situations where the speaker (signer) continued his/her utterance after TRP (transition-relevance place) and the next speaker started his/her turn by recognizing or projecting the TRP, therefore the overlap occurred. We consider these types of overlap as the normal turn-taking. Finally, there were a few case (18%) where the turn-taking rule was broken and the other cases follow the rule.

In this research, we analyzed the overlap phenomena at turn-taking points in Japanese Sign Language Dialogue. The spontaneous dialogue data were recorded in the environment where they can look at each other via prompters and three dialogue data by six native signers were used for the analysis. First, it was shown that the overlaps at turn-taking point occurred with very high frequency (75%). Secondly, we analyzed these phenomena based on "turn-taking system for conversation" by H. Sacks, E.A. Schegloff and G. Jefferson and found the situations where the speaker (signer) continued his/her utterance after TRP (transition-relevance place) and the next speaker started his/her turn by recognizing or projecting the TRP, therefore the overlap occurred. We consider these types of overlap as the normal turn-taking. Finally, there were a few case (18%) where the turn-taking rule was broken and the other cases follow the rule.

従来の伴奏システムでは人間の独奏者と同時に演奏を開始しなければならない楽曲への対応は困難であり，人間の独奏者にとって伴奏システムを使いにくくしていた．本研究では実際の人間同士の合奏でブレスによる合図が重要な役割を演じていることに着目し，伴奏システムが人間の独奏者のブレスによる合図を検出し，人間の独奏者と同時に演奏を開始できる伴奏システムを実現するため，(1) ブレスによる合図と演奏開始のタイミングの分析，(2) 独奏者のブレスによる合図の検出手法の提案，(3) システムへの実装と評価を行った．ブレスによる合図に対するシステムの反応と演奏者の演奏のずれに関して，人間の演奏者が許容できる時間範囲を調べた結果，-60ミリ秒∼97ミリ秒程度が許容範囲であることが示された．この結果に基づいて，本提案システムの性能を評価したところ，240データに対し，94.6%が上述の人間の演奏者の許容臨界値内に含まれると考えられ，十分な精度でシステムがブレスの合図により演奏を開始できることが示された．For previous computer accompaniment system, it was difficult to synchronize with the human soloist at the begining of some musical pieces where the machine has to begin the accompaniment performance simultaneously with a human soloist. In the actual ensemble by human performers, they use breath as musical cues in general. In this study, in order to develop the accompaniment system using cue by breath, (1) we analyze the timing relation between breath as musical cues and the onset of the first note of the soloist, (2) we introduced the automatic detection method of breath timing, and (3) we implemented the accompaniment system using cue by breath and evaluate the system by human performers. As a result, it was suggested that the tolerated range about timing difference of synchronization between the soloist and the system were from -60 msec in system delay to 97 msec in haste and the system achieved the synchronization in the above range for the 94.6% of 240 experimental data.

従来の伴奏システムでは人間の独奏者と同時に演奏を開始しなければならない楽曲への対応は困難であり，人間の独奏者にとって伴奏システムを使いにくくしていた．本研究では実際の人間同士の合奏でブレスによる合図が重要な役割を演じていることに着目し，伴奏システムが人間の独奏者のブレスによる合図を検出し，人間の独奏者と同時に演奏を開始できる伴奏システムを実現するため，(1) ブレスによる合図と演奏開始のタイミングの分析，(2) 独奏者のブレスによる合図の検出手法の提案，(3) システムへの実装と評価を行った．ブレスによる合図に対するシステムの反応と演奏者の演奏のずれに関して，人間の演奏者が許容できる時間範囲を調べた結果，-60ミリ秒∼97ミリ秒程度が許容範囲であることが示された．この結果に基づいて，本提案システムの性能を評価したところ，240データに対し，94.6%が上述の人間の演奏者の許容臨界値内に含まれると考えられ，十分な精度でシステムがブレスの合図により演奏を開始できることが示された．For previous computer accompaniment system, it was difficult to synchronize with the human soloist at the begining of some musical pieces where the machine has to begin the accompaniment performance simultaneously with a human soloist. In the actual ensemble by human performers, they use breath as musical cues in general. In this study, in order to develop the accompaniment system using cue by breath, (1) we analyze the timing relation between breath as musical cues and the onset of the first note of the soloist, (2) we introduced the automatic detection method of breath timing, and (3) we implemented the accompaniment system using cue by breath and evaluate the system by human performers. As a result, it was suggested that the tolerated range about timing difference of synchronization between the soloist and the system were from -60 msec in system delay to 97 msec in haste and the system achieved the synchronization in the above range for the 94.6% of 240 experimental data.

近年，音声から書き起こしを自動的に作成するシステムに関する研究がさかんに行われている．これまでは，音声を正確に書き起こすことに重点をおいて研究されてきているが，見た者にとって議論の内容をより理解しやすい書き起こしの作成が重要であると考えられる．議論の内容を正確に伝えるには言語情報だけでは不十分であり，議論の場面や発話意図，感情といった情報も必要であると考えられる．そこで，本研究では会議や討論などの書き起こしに発話意図を付与することを目指し，テキストと音声の両方から発話印象について分析することを目的とした．まず，文字の太さや大きさの変化といった文字の装飾や，「！」，「？」などの記号に着目し，そのようなテキストの変化を書き起こしに付与する形で主観評価実験を行うことにより「疑問」，「驚き」などの発話印象がどの程度感じられるのかを調べた．また，音声についても同様に主観評価実験を行い，その結果と「F0」や「パワー」などの韻律パラメータを使って重回帰分析を行い，韻律パラメータと発話印象の関係を分析した．その結果，各テキスト変化，韻律パラメータとそれぞれの発話印象との関係が明らかになった．さらにそれらを総合的に分析することで，テキストと音声では発話印象の受け方が異なるものと，同じ傾向のものがあることが明らかになった．In recent years, a great amount of research has been done on systems that transcribe utterances through automatic speech recognition. This research has generally been focused on transcribing utterances correctly. What is presently required, however, is a transcription method that enables the overall content of a given discourse to be more easily understood by readers. It is generally considered that linguistic information by itself is insufficient for this purpose, and that a way of showing speaker's intentions and emotions is also required. In this study, we analyzed user's impressions of utterances from both text and speech, with the aim of at indexing the impressions to the transcriptions of discourse forums such as meetings and discussions. We investigated how impressions such as “doubt” and “surprise” are felt by changing the size of written characters and indexing signs such as question marks and exclamation marks in the text. The relation between prosody parameters and utterance impressions was analyzed by using multiple linear regression. As a result, we were able to clarify the relationship between variations of text, prosody parameters, and utterance impressions.

近年，音声から書き起こしを自動的に作成するシステムに関する研究がさかんに行われている．これまでは，音声を正確に書き起こすことに重点をおいて研究されてきているが，見た者にとって議論の内容をより理解しやすい書き起こしの作成が重要であると考えられる．議論の内容を正確に伝えるには言語情報だけでは不十分であり，議論の場面や発話意図，感情といった情報も必要であると考えられる．そこで，本研究では会議や討論などの書き起こしに発話意図を付与することを目指し，テキストと音声の両方から発話印象について分析することを目的とした．まず，文字の太さや大きさの変化といった文字の装飾や，「！」，「？」などの記号に着目し，そのようなテキストの変化を書き起こしに付与する形で主観評価実験を行うことにより「疑問」，「驚き」などの発話印象がどの程度感じられるのかを調べた．また，音声についても同様に主観評価実験を行い，その結果と「F0」や「パワー」などの韻律パラメータを使って重回帰分析を行い，韻律パラメータと発話印象の関係を分析した．その結果，各テキスト変化，韻律パラメータとそれぞれの発話印象との関係が明らかになった．さらにそれらを総合的に分析することで，テキストと音声では発話印象の受け方が異なるものと，同じ傾向のものがあることが明らかになった．In recent years, a great amount of research has been done on systems that transcribe utterances through automatic speech recognition. This research has generally been focused on transcribing utterances correctly. What is presently required, however, is a transcription method that enables the overall content of a given discourse to be more easily understood by readers. It is generally considered that linguistic information by itself is insufficient for this purpose, and that a way of showing speaker's intentions and emotions is also required. In this study, we analyzed user's impressions of utterances from both text and speech, with the aim of at indexing the impressions to the transcriptions of discourse forums such as meetings and discussions. We investigated how impressions such as “doubt” and “surprise” are felt by changing the size of written characters and indexing signs such as question marks and exclamation marks in the text. The relation between prosody parameters and utterance impressions was analyzed by using multiple linear regression. As a result, we were able to clarify the relationship between variations of text, prosody parameters, and utterance impressions.

We examined what kind of rating index was usable for verification of usability of websites for blind persons. The search time had a strong correlation with the NASA-TLX WWL scores. This would suggest a possibility to evaluate the usability by the search time. On the other hand, in respect of the accessibility check tool, its verification result had no correlation with NASA-TLX WWL scores, so it could not be used as a tool for verification of usability. We Must develop a new usability check tool for blind persons. If we place functions with high usage frequency and high level of importance at a top of the website where a user can easily recognize them, it not only gives us a high level of visibility but also is effective for a blind person using voice output web browser as well.

In this paper, we propose a novel speaker verification method which determines whether a claimer is accepted or rejected by the rank of the claimer in a large number of speaker models instead of score normalization, such as T-norm and Z-norm. The method has advantages over the standard T-norm in speaker verification accuracy. However, it needs much computation time as well as T-norm that needs calculating likelihoods for many cohort models. Hence, we also discuss the speed-up using the method that selects cohort subset for each target speaker in the training stage. This data driven approach can significantly reduce computation resulting in faster speaker verification decision. We conducted text-independent speaker verification experiments using large-scale Japanese speaker recognition evaluation corpus constructed by National Research Institute of Police Science. As a result, the proposed method achieved an equal error rate of 2.2 %, while T-norm obtained 2.7 %.

To achieve the greater accessibility for deaf people, sign language recognition systems and sign language animation systems must be developed. In Japanese sign language (JSL), previous studies have suggested that emphasis and emotion cause changes in hand movements. However, the relationship between emphasis and emotion and the signing speed has not been researched enough. In this study, we analyzed the hand movement variation in relation to the signing speed. First, we recorded 20 signed sentences at three speeds (fast, normal, and slow) using a digital video recorder and a 3D position sensor. Second, we segmented sentences into three types of components (sign words, transitions, and pauses). In our previous study, we analyzed hand movement variations of sign words in relation to the signing speed. In this study, we analyzed transitions between adjacent sign words by a method similar to that in the previous study. As a result, sign words and transitions showed a similar tendency, and we found that the variation in signing speed mainly caused changes in the distance hands moved. Furthermore, we compared transitions with sign words and found that transitions were slower than sign words. Copyright 2009 ACM.

Collaborative filtering (CF) is one of the most popular recommender system technologies. It tries to identify users that have relevant interests and preferences by calculating similarities among user profiles. The idea behind this method is that, it may be of benefit to one's search for information to consult the preferences of other users who share the same or relevant interests and whose opinion can be trusted. However, the applicability of CF is limited due to the sparsity and cold-start problems. The sparsity problem occurs when available data are insufficient for identifying similar users (neighbors) and it is a major issue that limits the quality of recommendations and the applicability of CF in general. Additionally, the cold-start problem occurs when dealing with new users and new or updated items in web environments. Therefore, we propose an efficient iterative prediction technique to convert user-item sparse matrix to dense one and overcome the cold-start problem. Our experiments with MovieLens and book-crossing data sets indicate substantial and consistent improvements in recommendations accuracy compared with item-based collaborative filtering, singular value decomposition (SVD)-based collaborative filtering and semi explicit rating collaborative filtering. © 2010 ACM.

The amount of accessible information in the Internet increases every day and it becomes greatly difficult to deal with such a huge source of information. Consequently, Recommender Systems (RS) which are considered as powerful tools for Information Retrieval (IR), can access these available information efficiently. Unfortunately, the recommendations accuracy is seriously affected by the problems of data sparsity and scalability. Additionally, the time of recommendations is very essential in the Recommender Systems. Therefore, we propose a proficient dimensionality reduction-based Collaborative Filtering (CF) Recommender System. In this technique, the Singular Value Decomposition-free (SVD-free) Latent Semantic Indexing (LSI) is utilized to obtain a reduced data representation solving the sparsity and scalability limitations. Also, the SVD-free extremely reduce the time and memory usage required for dimensionality reduction employing the partial symmetric Eigenproblem. Moreover, to estimate the optimal number of reduced dimensions which greatly influences the system accuracy, the Particle Swarm Optimization (PSO) algorithm is utilized to automatically obtain it. As a result, the proposed technique enormously increases the recommendations prediction quality and speed. In additions, it decreases the memory requirements. To show the efficiency of the proposed technique, we employed it to the MovieLens dataset and the results was very promising.

To establish a universal communication environment, computer systems should recognize various modal communication languages. In conventional sign language recognition, recognition is performed by the word unit using gesture information of hand shape and movement. In the conventional studies, each feature has same weight to calculate the probability for the recognition. We think hand position is very important for sign language recognition, since the implication of word differs according to hand position. In this study, we propose a sign language recognition method by using a multi-stream HMM technique to show the importance of position and movement information for the sign language recognition. We conducted recognition experiments using 28,200 sign language word data. As a result, 82.1 % recognition accuracy was obtained with the appropriate weight (position:movement=0.2:0.8), while 77.8 % was obtained with the same weight. As a result, we demonstrated that it is necessary to put weight on movement than position in sign language recognition. © 2009 The Institute of Electrical Engineers of Japan.

To establish a universal communication environment, computer systems should recognize various modal communication languages. In conventional sign language recognition, recognition is performed by the word unit using gesture information of hand shape and movement. In the conventional studies, each feature has same weight to calculate the probability for the recognition. We think hand position is very important for sign language recognition, since the implication of word differs according to hand position. In this study, we propose a sign language recognition method by using a multi-stream HMM technique to show the importance of position and movement information for the sign language recognition. We conducted recognition experiments using 28,200 sign language word data. As a result, 82.1 % recognition accuracy was obtained with the appropriate weight (position:movement=0.2:0.8), while 77.8 % was obtained with the same weight. As a result, we demonstrated that it is necessary to put weight on movement than position in sign language recognition.

聴覚障害者に対する技術的支援の状況をみると,まだ十分とはいえない.音声研究で得られた知見を応用することにより,情報福祉技術の研究が効率的に進み,充実した支援の実現が期待される.本稿では,主に聴覚障害者が使用する手話と,視覚と聴覚の両方に障害がある盲ろう者が使用する指点字を取り上げる.まず,手話と音声の認知の仕組みに対する神経生理学的アプローチによる研究例を紹介する.続いて,音声の評価技術を手引きとして,テレビ電話を利用した手話通話を実現するために必要な手話映像品質の評価方法と,テレビ電話では不可避な映像遅延の影響について述べる.また,指点字にも,音声と同様に,速度や間,強弱などの情報(プロソディ)があることを示す.

聴覚障害者に対する技術的支援の状況をみると,まだ十分とはいえない.音声研究で得られた知見を応用することにより,情報福祉技術の研究が効率的に進み,充実した支援の実現が期待される.本稿では,主に聴覚障害者が使用する手話と,視覚と聴覚の両方に障害がある盲ろう者が使用する指点字を取り上げる.まず,手話と音声の認知の仕組みに対する神経生理学的アプローチによる研究例を紹介する.続いて,音声の評価技術を手引きとして,テレビ電話を利用した手話通話を実現するために必要な手話映像品質の評価方法と,テレビ電話では不可避な映像遅延の影響について述べる.また,指点字にも,音声と同様に,速度や間,強弱などの情報(プロソディ)があることを示す.

大量の情報を有する大規模なWebサイトでは目的の情報へのアクセス保証・効率的な情報探索の観点からアクセシビリティ・ユーザビリティに配慮した情報の構造化が必要である.本研究では大規模Webサイトにおいて情報がどのように構造化されているのかについて,既存のWebサイトを木構造による構造化の観点から分析した.その結果,情報のほとんどは5階層程度までに存在していることが確認されたが上位2階層ではリンク数が非常に多くアクセシビリティの観点からは問題があることがわかった.また,木構造から逸脱するリンク(冗長リンク)が大量に存在することも明らかとなった.それらにはナビゲーションを補助するものや複数の探索経路を示すものがあり,それらを視覚障碍者が音声ブラウザで理解しやすくするための提案を行った.

手話においては,手の位置によって単語の意味合いが異なることから,本研究では手の位置と動きに着目して,これらを統合した手話単語の認識手法について検討を行った.手の位置は発話単位で正規化を行い,位置座標のフレーム差分を動きとして特徴量に加えてHMMにより単語ごとにモデル化を行った.また,単語によって手の位置と動きの重要度が異なると考え,それらを分析するためにマルチストリームHMMによる認識も行った.その結果,位置座標のみでは67.1%の認識精度に対して動きを加えることで79.9%の認識精度が得られた.さらに,マルチストリームHMMによる重みを変動させたところ,位置よりも動きの重要性が大きいことが明らかになった.

手話においては,手の位置によって単語の意味合いが異なることから,本研究では手の位置と動きに着目して,これらを統合した手話単語の認識手法について検討を行った.手の位置は発話単位で正規化を行い,位置座標のフレーム差分を動きとして特徴量に加えてHMMにより単語ごとにモデル化を行った.また,単語によって手の位置と動きの重要度が異なると考え,それらを分析するためにマルチストリームHMMによる認識も行った.その結果,位置座標のみでは67.1%の認識精度に対して動きを加えることで79.9%の認識精度が得られた.さらに,マルチストリームHMMによる重みを変動させたところ,位置よりも動きの重要性が大きいことが明らかになった.

視覚障害者が音声ブラウザを使ってウェブサイトの情報を検索することは難しい。今回,視覚に障害のある実験者の操作手順を観察し,どのような意識・方略で検索を行っているのか考察した。その結果,視覚障害者固有の検索行動に起因した問題は少なく,ユーザビリティの観点での配慮が有効であることがわかった。

手話を用いた情報伝達システムの実現のため,手話CGアニメーション合成の研究・開発が行われている.その手法の一つであるモーションキャプチャを用いた手話CGアニメーションの合成の問題点として,単語の表現が収録時の表現に限られる点が挙げられる.本研究ではこの問題点解決のため,表現速度の違う手話文の腕の動作を分析し,表現速度の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,手話の表現速度を変化させる場合には主に軌跡の長さを変化させ,動作に制約がかかる場合や前後の動作の影響によっては,軌跡の長さはあまり変化せず腕の運動速度を変化させることが示唆された.

本研究では日本手話対話における後続うなずきと接続詞の分析を行なった.結果として,日本手話の話し手の後続うなずきは,うなずき単独で「話題化」「順接」「条件」「ロールシフトを抜ける」という接続詞と類似した機能を果たしていることが示唆された.接続詞とうなずきの共起関係を分析したところ,前後を接続する接続詞が手指で単語として表現された場合,その単語と同期してうなずきが生じやすいが,否定的な単語に関してはうなずきが共起しないことが示された.

視覚障害者が音声ブラウザを使ってウェブサイトの情報を検索することは難しい。今回,視覚に障害のある実験者の操作手順を観察し,どのような意識・方略で検索を行っているのか考察した。その結果,視覚障害者固有の検索行動に起因した問題は少なく,ユーザビリティの観点での配慮が有効であることがわかった。

手話を用いた情報伝達システムの実現のため,手話CGアニメーション合成の研究・開発が行われている.その手法の一つであるモーションキャプチャを用いた手話CGアニメーションの合成の問題点として,単語の表現が収録時の表現に限られる点が挙げられる.本研究ではこの問題点解決のため,表現速度の違う手話文の腕の動作を分析し,表現速度の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,手話の表現速度を変化させる場合には主に軌跡の長さを変化させ,動作に制約がかかる場合や前後の動作の影響によっては,軌跡の長さはあまり変化せず腕の運動速度を変化させることが示唆された.

本研究では日本手話対話における後続うなずきと接続詞の分析を行なった.結果として,日本手話の話し手の後続うなずきは,うなずき単独で「話題化」「順接」「条件」「ロールシフトを抜ける」という接続詞と類似した機能を果たしていることが示唆された.接続詞とうなずきの共起関係を分析したところ,前後を接続する接続詞が手指で単語として表現された場合,その単語と同期してうなずきが生じやすいが,否定的な単語に関してはうなずきが共起しないことが示された.

視覚障害者が音声ブラウザを使ってウェブサイトの情報を検索することは難しい。今回，視覚に障害のある実験者の操作手順を観察し， どのような意識・方略で検索を行っているのか考察した。その結果，視覚障害者固有の検索行動に起因した問題は少なく，ユーザビリティの観点での配慮が有効であることがわかった。It is difficult for the users with visual disability used a voice browser to search the information on the website. We carefully observed their search operation for information on the Web and considered what kind of consciousness/stratagem they searched it in. As a result, there were only a few problems caused by a search action peculiar to the visually impaired and understood that the improvement at the point of view of the usability was effective.