担当区分：最終著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

researchmap

記述言語：英語   掲載種別：研究論文（学術雑誌）   出版者・発行元：Institute of Electronics, Information and Communications Engineers (IEICE)  

In this paper, we propose a new algorithm to generate Speech-like Emotional Sound (SES). Emotional expressions may be the most important factor in human communication, and speech is one of the most useful means of expressing emotions. Although speech generally conveys both emotional and linguistic information, we have undertaken the challenge of generating sounds that convey emotional information alone. We call the generated sounds "speech-like," because the sounds do not contain any linguistic information. SES can provide another way to generate emotional response in human-computer interaction systems. To generate "speech-like" sound, we propose employing WaveNet as a sound generator conditioned only by emotional IDs. This concept is quite different from the WaveNet Vocoder, which synthesizes speech using spectrum information as an auxiliary feature. The biggest advantage of our approach is that it reduces the amount of emotional speech data necessary for training by focusing on non-linguistic information. The proposed algorithm consists of two steps. In the first step, to generate a variety of spectrum patterns that resemble human speech as closely as possible, WaveNet is trained with auxiliary mel-spectrum parameters and Emotion ID using a large amount of neutral speech. In the second step, to generate emotional expressions, WaveNet is retrained with auxiliary Emotion ID only using a small amount of emotional speech. Experimental results reveal the following: (1) the two-step training is necessary to generate the SES with high quality, and (2) it is important that the training use a large neutral speech database and spectrum information in the first step to improve the emotional expression and naturalness of SES.

DOI： 10.1587/transinf.2021edp7236

Web of Science

researchmap

その他リンク： https://www.webofscience.com/wos/woscc/full-record/WOS:000852731400008

担当区分：最終著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

DOI： 10.1109/icce53296.2022.9730332

researchmap

担当区分：最終著者   記述言語：英語   掲載種別：研究論文（学術雑誌）   出版者・発行元：ASTES Journal  

DOI： 10.25046/aj060519

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ISCA  

The biggest obstacle to develop end-to-end Japanese text-to-speech (TTS) systems is to estimate phonetic and prosodic information (PPI) from Japanese texts. The following are the reasons: (1) the Kanji characters of the Japanese writing system have multiple corresponding pronunciations, (2) there is no separation mark between words, and (3) an accent nucleus must be assigned at appropriate positions. In this paper, we propose to solve the problems by neural machine translation (NMT) on the basis of encoder-decoder models, and compare NMT models of recurrent neural networks and the Transformer architecture. The proposed model handles texts on token (character) basis, although conventional systems handle them on word basis. To ensure the potential of the proposed approach, NMT models are trained using pairs of sentences and their PPIs that are generated by a conventional Japanese TTS system from 5 million sentences. Evaluation experiments were performed using PPIs that are manually annotated for 5,142 sentences. The experimental results showed that the Transformer architecture has the best performance, with 98.0% accuracy for phonetic information estimation and 95.0% accuracy for PPI estimation. Judging from the results, NMT models are promising toward end-to-end Japanese TTS.

DOI： 10.21437/interspeech.2021-914

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（学術雑誌）   出版者・発行元：Elsevier BV  

This paper proposes architectures that facilitate the extrapolation of emotional expressions in deep neural network (DNN)-based text-to-speech (TTS). In this study, the meaning of “extrapolate emotional expressions” is to borrow emotional expressions from others, and the collection of emotional speech uttered by target speakers is unnecessary. Although a DNN has potential power to construct DNN-based TTS with emotional expressions and some DNN-based TTS systems have demonstrated satisfactory performances in the expression of the diversity of human speech, it is necessary and troublesome to collect emotional speech uttered by target speakers. To solve this issue, we propose architectures to separately train the speaker feature and the emotional feature and to synthesize speech with any combined quality of speakers and emotions. The architectures are parallel model (PM), serial model (SM), auxiliary input model (AIM), and hybrid models (PM&AIM and SM&AIM). These models are trained through emotional speech uttered by few speakers and neutral speech uttered by many speakers. Objective evaluations demonstrate that the performances in the open-emotion test provide insufficient information. They make a comparison with those in the closed-emotion test, but each speaker has their own manner of expressing emotion. However, subjective evaluation results indicate that the proposed models could convey emotional information to some extent. Notably, the PM can correctly convey sad and joyful emotions at a rate of 60%.

DOI： 10.1016/j.specom.2020.11.004

Web of Science

researchmap

その他リンク： https://arxiv.org/abs/2102.10345

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE/APSIPA  

End-to-end text-to-speech (TTS) models have achieved remarkable results in recent times. However, the model requires a large amount of text and audio data for training. A speaker adaptation method based on fine-tuning has been proposed for constructing a TTS model using small scale data. Although these methods can replicate the target speaker s voice quality, synthesized speech includes the deletion and/or repetition of speech. The goal of speaker adaptation is to change the voice quality to match the target speaker ' s on the premise that adjusting the necessary modules will reduce the amount of data to be fine-tuned. In this paper, we clarify the role of each module in the Transformer-TTS process by not updating it. Specifically, we froze character embedding, encoder, layer predicting stop token, and loss function for estimating sentence ending. The experimental results showed the following: (1) fine-tuning the character embedding did not result in an improvement in the deletion and/or repetition of speech, (2) speech deletion increases if the encoder is not fine-tuned, (3) speech deletion was suppressed when the layer predicting stop token is not fine-tuned, and (4) there are frequent speech repetitions at sentence end when the loss function estimating sentence ending is omitted.

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

DOI： 10.1109/tencon50793.2020.9293766

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ISCA  

DOI： 10.21437/interspeech.2020-2064

researchmap

その他リンク： https://www.webofscience.com/wos/woscc/full-record/WOS:000833594103112

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

Recently, end-to-end text-to-speech (TTS) models have achieved a remarkable performance, however, requiring a large amount of paired text and speech data for training. On the other hand, we can easily collect unpaired dozen minutes of speech recordings for a target speaker without corresponding text data. To make use of such accessible data, the proposed method leverages the recent great success of state-of-the-art end-to-end automatic speech recognition (ASR) systems and obtains corresponding transcriptions from pretrained ASR models. Although these models could only provide text output instead of intermediate linguistic features like phonemes, end-to-end TTS can be well trained with such raw text data directly. Thus, the proposed method can greatly simplify a speaker adaptation pipeline by consistently employing end-to-end ASR/TTS ecosystems. The experimental results show that our proposed method achieved comparable performance to a paired data adaptation method in terms of subjective speaker similarity and objective cepstral distance measures.

DOI： 10.1109/icassp40776.2020.9053371

Web of Science

researchmap

担当区分：責任著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）  

DOI： 10.1109/APSIPAASC47483.2019.9023168

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）  

DOI： 10.1109/APSIPAASC47483.2019.9023346

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）  

DOI： 10.1007/978-3-030-26118-4_8

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ISCA  

DOI： 10.21437/Interspeech.2018-1239

Web of Science

researchmap

担当区分：筆頭著者,　責任著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

DOI： 10.1109/APSIPA.2017.8282238

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

DOI： 10.1109/APSIPA.2017.8282231

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ACM  

DOI： 10.1145/3148150.3148151

researchmap

その他リンク： http://doi.acm.org/10.1145/3148150.3148151

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ACM  

DOI： 10.1145/3123024.3123091

Web of Science

researchmap

その他リンク： http://doi.acm.org/10.1145/3123024.3123091

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ISCA  

DOI： 10.21437/interspeech.2017-841

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ISCA-INT SPEECH COMMUNICATION ASSOC  

In this paper, using GMM-based voice conversion algorithm, we propose to generate speaker-dependent mapping functions to improve the intelligibility of speech uttered by patients with a wide glossectomy. The speaker-dependent approach enables to generate the mapping functions that reconstruct missing spectrum features of speech uttered by a patient without having influences of a speaker's factor. The proposed idea is simple, i.e., to collect speech uttered by a patient before and after the glossectomy, but in practice it is hard to ask patients to utter speech just for developing algorithms. To confirm the performance of the proposed approach, in this paper, in order to simulate glossectomy patients, we fabricated an intraoral appliance which covers lower dental arch and tongue surface to restrain tongue movements. In terms of the Mel-frequency cepstrum (MFC) distance, by applying the voice conversion, the distances were reduced by 25% and 42% for speaker dependent case and speaker-independent case, respectively. In terms of phoneme intelligibility, dictation tests revealed that speech reconstructed by speaker-dependent approach almost always showed better performance than the original speech uttered by simulated patients, while speaker-independent approach did not.

DOI： 10.21437/Interspeech.2017-841

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

DOI： 10.1109/apsipa.2016.7820909

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Association for Computing Machinery, Inc  

We propose a lifelog browsing system through which users can share memories of their experiences with other users. Most importantly, by using global positioning system data and time stamps, the system simultaneously displays a variety of log information in a time-synchronous manner. This function empowers users with not only an easy interpretation of other users' experiences but also nonverbal notifications. Shared information on this system includes photographs taken by users, Google street views, shops and restaurants on the map, daily weather, and other items relevant to users' interests. In evaluation experiments, users preferred the proposed system to conventional photograph albums and maps for explaining and sharing their experiences. Moreover, through displayed information, the listeners found out their interest items that had not been mentioned by the speakers.

DOI： 10.1145/2968219.2971401

Scopus

researchmap

その他リンク： http://doi.acm.org/10.1145/2968219.2971401

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Association for Computing Machinery, Inc  

In this study, in order to develop a monitoring system that takes into account privacy issues, we investigated user preferences in terms of the monitoring and privacy protec-tion levels. The people on the monitoring side wanted the monitoring system to allow them to monitor in detail. Con-versely, it was observed for the people being monitored that the more detailed the monitoring, the greater the feelings of being surveilled intrusively. Evaluation experiments were performed using the location data of three people in differ-ent living areas. The results of the experiments show that it is possible to control the levels of monitoring and privacy protection without being affected by the shape of a living area by adjusting the quantization level of location informa-tion. Furthermore, it became clear that the granularity of location information satisfying the people on the monitored side and the monitoring side is different.

DOI： 10.1145/2968219.2971412

Scopus

researchmap

その他リンク： http://doi.acm.org/10.1145/2968219.2971412

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

This paper presents a sound collection system that uses crowdsourcing to gather information for visualizing area characteristics. First, we developed a sound collection system to simultaneously collect physical sounds, their statistics, and subjective evaluations. We then conducted a sound collection experiment using the developed system on 14 participants. We collected 693,582 samples of equivalent Aweighted loudness levels and their locations, and 5,935 samples of sounds and their locations. The data also include subjective evaluations by the participants. In addition, we analyzed the changes in sound properties of some areas before and after the opening of a large-scale shopping mall in a city. Next, we implemented visualizations on the server system to attract users' interests. Finally, we published the system, which can receive sounds from any Android smartphone user. The sound data were continuously collected and achieved a specified result.

DOI： 10.1109/ICMEW.2016.7574694

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

We propose a spoken dialog strategy for car navigation systems to facilitate safe driving. To drive safely, drivers need to concentrate on their driving; however, their concentration may be disrupted due to disagreement with their spoken dialog system. Therefore, we need to solve the problems of user misunderstandings as well as misunderstanding of spoken dialog systems. For this purpose, we introduced a driver workload level in spoken dialog management in order to prevent user misunderstandings. A key strategy of the dialog management is to make speech redundant if the driver's workload is too high in assuming that the user probably misunderstand the system utterance under such a condition. An experiment was conducted to compare performances of the proposed method and a conventional method using a user simulator. The simulator is developed under the assumption of two types of drivers: an experienced driver model and a novice driver model. Experimental results showed that the proposed strategies achieved better performance than the conventional one for task completion time, task completion rate, and user's positive speech rate. In particular, these performance differences are greater for novice users than for experienced users.

DOI： 10.1109/APSIPA.2015.7415511

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

This paper presents an algorithm to mine basic patterns of human activities on a daily basis using non-negative matrix factorization (NMF). The greatest benefit of the algorithm is that it can elicit patterns from which meanings can be easily interpreted. To confirm its performance, the proposed algorithm was applied to PC logging data collected from three occupations in offices. Daily patterns of software usage were extracted for each occupation. Results show that each occupation uses specific software in its own time period, and uses several types of software in parallel in its own combinations. Experiment results also show that patterns of 144 dimension vectors were compressible to those of 11 dimension vectors without degradation in occupation classification performance. Therefore, the proposed algorithm compressed basic software usage patterns to about one-tenth of their original dimensions while preserving the original information. Moreover, the extracted basic patterns showed reasonable interpretation of daily working patterns in offices.

DOI： 10.1109/ICCE.2015.7066309

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ISCA  

As described in this paper, we propose a sub-band speech synthesis approach to develop a high quality Text-to-Speech (TTS) system: a sample-based spectrum is used in the high-frequency band and spectrum generated by HMM-based TTS is used in the low-frequency band. Herein, sample-based spectrum means spectrum selected from a phoneme database such that it is the most similar to spectrum generated by HMM-based speech synthesis. A key idea is to compensate over-smoothing caused by statistical procedures by introducing a sample-based spectrum, especially in the high-frequency band. Listening test results show that the proposed method has better performance than HMM-based speech synthesis in terms of clarity. It is at the same level as HMM-based speech synthesis in terms of smoothness. In addition, preference test results among the proposed method, HMM-based speech synthesis, and waveform speech synthesis using 80 min speech data reveal that the proposed method is the most liked.

Web of Science

researchmap

その他リンク： http://dblp.uni-trier.de/db/conf/interspeech/interspeech2015.html#conf/interspeech/InaiHAIMM15

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

This paper presents a sound collection system to visualize environmental sounds that are collected using a crowd sourcing approach. An analysis of physical features is generally used to analyze sound properties; however, human beings not only analyze but also emotionally connect to sounds. If we want to visualize the sounds according to the characteristics of the listener, we need to collect not only the raw sound, but also the subjective feelings associated with them. For this purpose, we developed a sound collection system using a crowdsourcing approach to collect physical sounds, their statistics, and subjective evaluations simultaneously. We then conducted a sound collection experiment using the developed system on ten participants. We collected 6,257 samples of equivalent loudness levels and their locations, and 516 samples of sounds and their locations. Subjective evaluations by the participants are also included in the data. Next, we tried to visualize the sound on a map. The loudness levels are visualized as a color map and the sounds are visualized as icons which indicate the sound type. Finally, we conducted a discrimination experiment on the sound to implement a function of automatic conversion from sounds to appropriate icons. The classifier is trained on the basis of the GMM-UBM (Gaussian Mixture Model and Universal Background Model) method. Experimental results show that the F-measure is 0.52 and the AUC is 0.79.

DOI： 10.1109/PERCOMW.2015.7134069

Web of Science

researchmap

その他リンク： https://ousar.lib.okayama-u.ac.jp/ja/53271

記述言語：英語   掲載種別：論文集(書籍)内論文   出版者・発行元：SPRINGER-VERLAG BERLIN  

We propose an algorithm to estimate a person's living area using his/her collected Global Positioning System (GPS) data. The most important feature of the algorithm is the connectivity of places with a home, i.e., a living area must consist of a home, important places, and routes that connect them. This definition is logical because people usually go to a place from home, and there can be several routes to that place. Experimental results show that the proposed algorithm can estimate living area with a precision of 0.82 and recall of 0.86 compared with the grand truth established by users. It is also confirmed that the connectivity of places with a home is necessary to estimate a reasonable living area.

DOI： 10.1007/978-3-319-21383-5_95

Web of Science

researchmap

記述言語：英語   掲載種別：論文集(書籍)内論文   出版者・発行元：SPRINGER-VERLAG BERLIN  

We propose a method to extract particular sound segments from the sound recorded during the course of a day in order to provide sound segments that can be used to facilitate memory. To extract important parts of the sound data, the proposed method utilizes human behavior based on a multisensing approach. To evaluate the performance of the proposed method, we conducted experiments using sound, acceleration, and global positioning system data collected by five participants for approximately two weeks. The experimental results are summarized as follows: (1) various sounds can be extracted by dividing a day into scenes using the acceleration data; (2) sound recorded in unusual places is preferable to sound recorded in usual places; and (3) speech is preferable to nonspeech sound.

DOI： 10.1007/978-3-319-21380-4_105

Web of Science

researchmap

記述言語：英語   出版者・発行元：W B SAUNDERS CO-ELSEVIER INC  

Web of Science

researchmap

記述言語：英語   掲載種別：研究論文（学術雑誌）   出版者・発行元：Information and Media Technologies Editorial Board  

We regarded a dialog strategy for information retrieval as a graph search problem and proposed several novel dialog strategies that can recover from misrecognition through a spoken dialog that traverses the graph. To recover from misrecognition without seeking confirmation, our system kept multiple understanding hypotheses at each turn and searched for a globally optimal hypothesis in the graph whose nodes express understanding states across user utterances in a whole dialog. In the search, we used a new criterion based on efficiency in information retrieval and consistency with understanding hypotheses, which is also used to select an appropriate system response. We showed that our system can make more efficient and natural dialogs than previous ones.

DOI： 10.11185/imt.9.111

CiNii Article

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

We are striving to develop a new communication technology based on individual experiences that can be extracted from life logs. We have proposed the "Emotion Communication Model" and confirmed that significant correlation exists between experience and emotion. As the second step, particularly addressing impressive places and events, this paper describes an investigation of the extent to which we can share emotional information with others through individuals' experiences. Subjective experiments were conducted using life log data collected during 7-47 months. Experiment results show that (1) impressive places are determined by the distance from home, visit frequency, and direction from home and that (2) positive emotional information is highly consistent among people (71.4%), but it is not true for negative emotional information. Therefore, experiences are useful as metaphors to express positive emotional information.

DOI： 10.1109/PerComW.2014.6815198

researchmap

担当区分：筆頭著者   記述言語：英語   掲載種別：論文集(書籍)内論文   出版者・発行元：Springer  

DOI： 10.1007/978-1-4614-8280-2_8

researchmap

記述言語：英語   掲載種別：論文集(書籍)内論文   出版者・発行元：Springer  

DOI： 10.1007/978-1-4614-8280-2_35

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

This paper proposes a sub-band speech synthesis approach to develop high-quality Text-to-Speech (TTS). For the low-frequency band and high-frequency band, Hidden Markov Model (HMM)-based speech synthesis and waveform -based speech synthesis are used, respectively. Both speech synthesis methods are widely known to show good performance and to have benefits and shortcomings from different points of view. One motivation is to apply the right speech synthesis method in the right frequency band. Experiment results show that in terms of the smoothness the proposed approach shows better performance than waveform -based speech synthesis, and in terms of the clarity it shows better than HMM-based speech synthesis. Consequently, the proposed approach combines the inherent benefits from both waveform-based speech synthesis and HMM-based speech synthesis.

DOI： 10.1109/APSIPA.2014.7041575

Web of Science

researchmap

記述言語：日本語   出版者・発行元：情報処理学会  

実環境における音声認識を用いた情報案内システムでは，雑音等の非音声やユーザ同士の背景会話など，システムへの入力として不適切な入力が存在する．これらの入力はシステムの誤作動・誤認識の原因となるので，システムへの入力として適切な入力（有効入力）と不適切な入力（無効入力）の識別を行い，無効入力を棄却することにより，無効入力に対する応答処理を行わないことが重要である．従来，有効入力と無効入力との識別には，メル周波数ケプストラム係数などの音響的特徴量によるGMM（Gaussian Mixture Model）が用いられる．しかし，入力データの音声認識結果から得られる言語的な情報を使うことにより，システムのタスクを考えたうえで有効入力と無効入力の識別が可能になると考えられる．そこで本論文では，音響特徴量にBag-of-Words（BOW）を言語的特徴量として併用した無効入力の識別を検討した．識別手法としては，サポートベクタマシン（SVM）および最大エントロピー法を用いた．実験には実環境音声情報案内システム「たけまるくん」の入力データを用いた．SVMによる識別結果では，GMMによる音響尤度のみを用いた場合に比べて，BOWを用いた場合，F尺度を82.19%から85.41%に改善することができた．さらに，GMMによる音響尤度，発話時間，SNRを組み合わせた特徴量にBOWを追加することで，F尺度を86.58%まで改善することができた．詳細な分析の結果，BOWは特に無効入力の誤受理を減らす効果があることが示された．On a real environment speech-oriented information guidance system, a valid and invalid input discrimination is important as invalid inputs such as noise, laugh, cough and utterances between users lead to unpredictable system responses. Generally, acoustic features such as MFCC (Mel-Frequency Cepstral Coefficient) are used for discrimination. Comparing acoustic likelihoods of GMMs (Gaussian Mixture Models) from speech data and noise data is one of the typical methods. In addition to that, using linguistic features, such as speech recognition result, is considered to improve discrimination accuracy as it reflects the task-domain of invalid inputs and meaningless recognition results from noise inputs. In this paper, we introduce Bag-of-Words (BOW) as a feature to discriminate between valid and invalid inputs. Support Vector Machine (SVM) and Maximum Entropy method (ME) are also employed to realize robust classification. We experimented the methods using real environment data obtained from the guidance system "Takemaru-kun." By applying BOW on SVM, the F-measure is improved to 85.09%, from 82.19% when using GMMs. In addition, experiments using features combining BOW with acoustic likelihoods from GMMs, Duration and SNR were conducted, improving the F-measure to 86.58%.

CiNii Article

CiNii Books

researchmap

担当区分：筆頭著者   記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

本論文ではN-gram特徴を用いた音声対話システム利用時の課題未達成対話の検出手法を提案する.実験にはユーザが自分のPC上で利用するという,実環境下で収録された楽曲検索のための音声対話システムとの対話データを利用する.楽曲検索課題を行っている全ての対話データはユーザとシステムの発話を抽象化した発話・動作ダグにより記述し,そのタグ系列をN-gramとしてモデル化を行う.本研究では,タグ系列中のタグN-gramの出現回数を素性として,Support Vector MachineやC4.5決定木などの識別的手法による課題未達成対話の検出実験を行った.更に対話長や反応時間などの対話の特徴を表す対話変数を導入することで検出性能の向上を行った.その結果,ユーザの4回目の発話までを用いることで,約76%の識別率となった.

CiNii Article

CiNii Books

researchmap

その他リンク： http://search.ieice.org/bin/summary.php?id=j96-d_1_81&category=D&year=2013&lang=J&abst=

記述言語：英語   掲載種別：研究論文（学術雑誌）   出版者・発行元：IEICE-INST ELECTRONICS INFORMATION COMMUNICATIONS ENG  

A novel speech feature generation-based acoustic model training method for robust speaker-independent speech recognition is proposed. For decades, speaker adaptation methods have been widely used. All of these adaptation methods need adaptation data. However, our proposed method aims to create speaker-independent acoustic models that cover not only known but also unknown speakers. We achieve this by adopting inverse maximum likelihood linear regression (MLLR) transformation-based feature generation, and then we train our models using these features. First we obtain MLLR transformation matrices from a limited number of existing speakers. Then we extract the bases of the MLLR transformation matrices using PCA. The distribution of the weight parameters to express the transformation matrices for the existing speakers are estimated. Next, we construct pseudo-speaker transformations by sampling the weight parameters from the distribution, and apply the transformation to the normalized features of the existing speaker to generate the features of the pseudo-speakers. Finally, using these features, we train the acoustic models. Evaluation results show that the acoustic models trained using our proposed method are robust for unknown speakers.

DOI： 10.1587/transinf.E95.D.2479

Web of Science

researchmap

その他リンク： http://search.ieice.org/bin/summary.php?id=e95-d_10_2479

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：EUROPEAN LANGUAGE RESOURCES ASSOC-ELRA  

In this paper, we analyze the causes of task completion errors in spoken dialog systems, using a decision tree with N-gram features of the dialog to detect task-incomplete dialogs. The dialog for a music retrieval task is described by a sequence of tags related to user and system utterances and behaviors. The dialogs are manually classified into two classes: completed and uncompleted music retrieval tasks. Differences in tag classification performance between the two classes are discussed. We then construct decision trees which can detect if a dialog finished with the task completed or not, using information gain criterion. Decision trees using N-grams of manual tags and automatic tags achieved 74.2% and 80.4% classification accuracy, respectively, while the tree using interaction parameters achieved an accuracy rate of 65.7%. We also discuss more details of the causality of task incompletion for spoken dialog systems using such trees.

Web of Science

researchmap

その他リンク： http://www.lrec-conf.org/proceedings/lrec2012/summaries/1059.html

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE  

In this paper, we propose a novel acoustic model training method which is suitable for speaker adaptation in speech recognition. Our method is based on feature generation from a small amount of speakers' data. For decades, speaker adaptation methods have been widely used. Such adaptation methods need some amount of adaptation data and if the data is not sufficient, speech recognition performance degrade significantly. If the seed models to be adapted to a specific speaker can widely cover more speakers, speaker adaptation can perform robustly. To make such robust seed models, we adopt inverse maximum likelihood linear regression (MLLR) transformation-based feature generation, and then train our seed models using these features. First we obtain MLLR transformation matrices from a limited number of existing speakers. Then we extract the bases of the MLLR transformation matrices using PCA. The distribution of the weight parameters to express the MLLR transformation matrices for the existing speakers is estimated. Next we generate pseudo-speaker MLLR transformations by sampling the weight parameters from the distribution, and apply the inverse of the transformation to the normalized existing speaker features to generate the pseudo-speakers' features. Finally, using these features, we train the acoustic seed models. Using this seed models, we obtained better speaker adaptation results than using simply environmentally adapted models. © 2011 IEEE.

DOI： 10.1109/ASRU.2011.6163925

Scopus

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：APSIPA  

In this paper a novel speech feature generationbased acoustic model training method is proposed. For decades, speaker adaptation methods have been widely used. All existing adaptation methods need adaptation data. However, our proposed method creates speaker-independent acoustic models that cover not only known but also unknown speakers. We do this by adopting inverse maximum likelihood linear regression (MLLR) transformation-based feature generation, and then train our models using these features. First we obtain MLLR transformation matrices from a limited number of existing speakers. Then we extract the bases of the MLLR transformation matrices using PCA. The distribution of the weight parameters to express the MLLR transformation matrices for the existing speakers are estimated. Next we generate pseudo-speaker MLLR transformations by sampling the weight parameters from the distribution, and apply the inverse of the transformation to the normalized existing speaker features to generate the pseudospeakers' features. Finally, using these features, we train the acoustic models. Evaluation results show that the acoustic models which are created are robust for unknown speakers.

Scopus

researchmap

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）  

researchmap

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ISCA-INT SPEECH COMMUNICATION ASSOC  

We propose a method of detecting "task incomplete" dialogs in spoken dialog systems using N-gram-based dialog models. We used a database created during a field test in which inexperienced users used a client-server music retrieval system with a spoken dialog interface on their own PCs. In this study, the dialog for a music retrieval task consisted of a sequence of user and system tags that related their utterances and behaviors. The dialogs were manually classified into two classes: the dialog either completed the music retrieval task or it didn't. We then detected dialogs that did not complete the task, using N-gram probability models or a Support Vector Machine with N-gram feature vectors trained using manually classified dialogs. Off-line and on-line detection experiments were conducted on a large amount of real data, and the results show that our proposed method achieved good classification performance.

Web of Science

researchmap

その他リンク： http://www.isca-speech.org/archive/interspeech_2011/i11_1305.html

記述言語：英語   掲載種別：論文集(書籍)内論文   出版者・発行元：IOS PRESS  

We developed an ambient system that plays music suitable for the mood of a human-human conversation using words obtained from a continuous-speech recognition system. Using the correspondence between a document space based on the texts related to the music and an acoustic space that expresses various audio features, the continuous-speech recognition results are mapped to an acoustic space. We performed a subjective evaluation of the system. The subjects rated the recommended music and the result reveals that the 10 most highly recommended selections included suitable music.

DOI： 10.3233/978-1-60750-795-6-352

Web of Science

researchmap

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ISCA  

In this paper, we propose a method of detecting task-incompleted users for a spoken dialog system using an N-gram-based dialog history model. We collected a large amount of spoken dialog data accompanied by usability evaluation scores by users in real environments. The database was made by a field test in which naive users used a client-server music retrieval system with a spoken dialog interface on their own PCs. An N-gram model was trained from sequences that consist of user dialog acts and/or system dialog acts for two dialog classes, that is, the dialog completed the music retrieval task or the dialog incompleted the task. Then the system detects unknown dialogs that is not completed the task based on the N-gram likelihood. Experiments were conducted on large real data, and the results show that our proposed method achieved good classification performance. When the classifier correctly detected all of the task-incompleted dialogs, our proposed method achieved a false detection rate of 6%.

Web of Science

researchmap

その他リンク： http://www.isca-speech.org/archive/interspeech_2010/i10_3034.html

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）  

Scopus

researchmap

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：EUROPEAN LANGUAGE RESOURCES ASSOC-ELRA  

In this paper, we propose an estimation method of user satisfaction for a spoken dialog system using an N-gram-based dialog history model. We have collected a large amount of spoken dialog data accompanied by usability evaluation scores by users in real environments. The database is made by a field-test in which naive users used a client-server music retrieval system with a spoken dialog interface on their own PCs. An N-gram model is trained from the sequences that consist of users' dialog acts and/or the system's dialog acts for each one of six user satisfaction levels: from 1 to 5 and phi (task not completed). Then, the satisfaction level is estimated based on the N-gram likelihood. Experiments were conducted on the large real data and the results show that our proposed method achieved good classification performance; the classification accuracy was 94.7% in the experiment on a classification into dialogs with task completion and those without task completion. Even if the classifier detected all of the task incomplete dialog correctly, our proposed method achieved the false detection rate of only 6%.

Web of Science

researchmap

その他リンク： http://www.lrec-conf.org/proceedings/lrec2010/summaries/579.html

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）  

researchmap

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：EUROPEAN LANGUAGE RESOURCES ASSOC-ELRA  

In this paper, a large-scale real-world speech database is introduced along with other multimedia driving data. We designed a data collection vehicle equipped with various sensors to synchronously record twelve-channel speech, three-channel video, driving behavior including gas and brake pedal pressures, steering angles, and vehicle velocities, physiological signals including driver heart rate, skin conductance, and emotion-based sweating on the palms and soles, etc. These multimodal data are collected while driving on city streets and expressways under four different driving task conditions including two kinds of monologues, human-human dialog, and human-machine dialog. We investigated the response timing of drivers against navigator utterances and found that most overlapped with the preceding utterance due to the task characteristics and the features of Japanese. When comparing utterance length, speaking rate, and the filler rate of driver utterances in human-human and human-machine dialogs, we found that drivers tended to use longer and faster utterances with more fillers to talk with humans than machines.

Web of Science

researchmap

その他リンク： http://www.lrec-conf.org/proceedings/lrec2008/summaries/472.html

担当区分：筆頭著者   記述言語：日本語   掲載種別：研究論文（学術雑誌）   出版者・発行元：一般社団法人電子情報通信学会  

多様なPC利用環境において音声認識の被験者実験を行うために,WWWを利用した音声対話システム及びそのデータ収集システムを構築した.本システムのユーザはPC上にインストールされたクライアントプログラムを用いることで音声対話によりPC内に蓄積された音楽を再生したり,音楽ダウンロードサイトの楽曲を試聴することができる.クライアントプログラムの利用により収集された音声データや対話ログはインターネットを介してサーバ上に蓄積される.サーバには,ユーザごとの辞書のカスタマイズ等の機能も実装している.本システムをインターネット上で試験的に公開し,2か月間のフィールドテストとしてデータ収集を行ったところ合計59時間のシステム稼動時データを収集した.そのうち約5時間41分のデータ(11351個)が音声区間として検出されており,システムに対して発話されていた音声データとして6335発話を得た.

CiNii Article

CiNii Books

researchmap

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）  

CiNii Article

researchmap

記述言語：英語   出版者・発行元：W B SAUNDERS CO-ELSEVIER INC  

0

Web of Science

researchmap

担当区分：筆頭著者   記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）  

researchmap

記述言語：日本語   掲載種別：記事・総説・解説・論説等（学術雑誌）   出版者・発行元：一般社団法人 人工知能学会  

DOI： 10.11517/jjsai.28.1_52

CiNii Article

CiNii Books

J-GLOBAL

researchmap

記述言語：日本語   掲載種別：速報，短報，研究ノート等（学術雑誌）   出版者・発行元：電子情報通信学会情報・システムソサイエティ  

音声対話システムの利用によって課題を達成できなかった対話の検出を行う.ユーザとシステムの発話を抽象化した発話・動作系列をN-gramによりモデル化し,課題未達成対話を検出する実験を行ったところ,良好な結果が得られたので報告する.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：日本音響学会関西支部  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：日本顎顔面補綴学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：英語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：電気・情報関連学会中国支部  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：日本音響学会関西支部  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：日本補綴歯科学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

担当区分：責任著者   記述言語：英語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：日本生物物理学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

担当区分：筆頭著者,　責任著者   記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：一般社団法人電子情報通信学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：IEEE広島支部  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

担当区分：筆頭著者,　責任著者   記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

researchmap

担当区分：筆頭著者,　責任著者   記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

CiNii Article

CiNii Books

researchmap

担当区分：責任著者   記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：電子情報通信学会  

CiNii Article

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（国際会議）  

DOI： 10.1121/1.4969721

researchmap

記述言語：日本語   出版者・発行元：電子情報通信学会  

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

ライフログを活用する場面の一つとして,自らの過去の振り返りが挙げられる.本報告では,映像を用いた振り返り支援方式に着目し,長時間の映像を効率よく要約するための自動収集ライフログ活用法について検討した.イベントでのライフログデータ (GPS・脈拍・音声) を収集し,それらのデータからライフログの要約に重要と考えられる点を抽出した.その後,抽出された点の時刻を基準にしてイベント中に同時収録された体験映像から映像の一部を切り出し,被験者に対して提示することで評価実験を行った.実験の結果,要約映像を用いた振り返りでは従来方法による振り返りよりも,ユーザにかかる負担が低いこと,多数の出来事を想起できることが示された.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

近年,自分の行動を記録したライフログが注目されている.ライフログを用いて振り返りを行うためには振り返りに必要なデータを検索する必要がある.本報告では,GPSデータから抽出される滞在地の特徴量を用いていつもと違う「特別な日」を検索する方式を検討した.提案方式の有用性を検証するための評価実験システムを作成し,7名の被験者を対象とする評価実験を行った.特別な日の検索精度を検証したところ,特別な日を60%,非日常を90%の精度で検索できることが分かった.主観的な評価として従来手法と提案方式を利用した振り返りの有効性,効率,満足度を比較した.従来手法より少し効率は劣るものの,有効性と満足度は高く,多くのことを詳細に振り返ることができることがわかった.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

高齢化社会における認知症高齢者の徘徊行動や児童の犯罪被害増加などが社会問題となり,世間の見守りに対する関心は高まっている.そこで本報告では,GPSデータのログを滞在地と経路に分類し,見守りシステムに応用するための生活圏抽出法を検討した.滞在地の抽出は滞在地と移動経路との頻度の関係から抽出法を提案した.移動経路の抽出は最良優先探索を用いた抽出法について提案した.被験者3名の生活圏を抽出し,適合率,再現率を用いて評価した.提案手法は頻度のみで抽出する手法より適合率が最大約0.5増加し,再現率は最大0.6増加した.この結果から提案手法が有効であることが確認された.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

本報告では,人がどの程度行動的であるのかという行動特徴に着目し,位置情報を用いた人の行動分析を検討した.移動経路データを用いて,主成分分析(PCA)と非負債行列因子分解(NMF)のそれぞれの手法により,行動的であるかを判定できるかを検討した.結果より,PCAから求めた重要な固有値の数とNMFによる近似誤差は,行動的であるかを判定に有効であると確認できた.さらに,移動経路のパターン抽出を行うことで,PCAとNMFで抽出される移動経路パターンの違いを検討した.それにより,PCAでは頻度の多いパターンが抽出されるのに対し,NMFでは頻度の少ないパターンも抽出されることが明らかになった.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

GPS による位置情報を用いたアプリケーションやサービスが広く普及している．本研究では，GPS から取得した位置情報をもとに，様々なライフログを集約するシステム FLAG を開発した．FLAG では位置情報を滞在地と移動経路に分類して管理を行う．分類した位置情報は地図とタイムテーブル上に可視化され，滞在地にはユーザごとに個別の名称を登録する機能を設けた．また，様々なライフログを集約する例として Twitter における投稿時間から FLAG の持つ位置情報と結びつけを行う．これにより，位置情報を持たないライフログの地図上への可視化が可能となる．システムの評価では，6 名の被験者により滞在地の正解データを作成し，FLAG の滞在地検出精度について 2 種類の検出法を用いて比較を行った．結果， FLAG では元データに比べて高い精度による滞在地の検出が確認された．Recently, the application and the service which utilize location information from GPS have highly prevailed. In this paper, we developed the system called FLAG which aggregates the variety of Lifelog under location information. FLAG manages location information discriminate between moving and staying. With using FLAG, we visualize categorized location information on the map and the time table. And implement set the function which registers individual name according to users in the staying state. We also link the location information from FLAG to Twitter using the posting time for an example of aggregating various kinds of Lifelog, This function enables Lifelog to show on the map even if the Lifelog has no positional information. For an evaluation of the FLAG system, we created correct data of staying by six users. And we compared accuracies of staying by using two detection methods. As a result, we confirmed that FLAG can be detected high accuracy staying than the original data.

CiNii Article

CiNii Books

researchmap

その他リンク： http://id.nii.ac.jp/1001/00102345/

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

GPSによる位置情報を用いたアプリケーションやサービスが広く普及している.本研究では,GPSから取得した位置情報をもとに,様々なライフログを集約するシステムFLAGを開発した.FLAGでは位置情報を滞在地と移動経路に分類して管理を行う.分類した位置情報は地図とタイムテーブル上に可視化され,滞在地にはユーザごとに個別の名称を登録する機能を設けた.また,様々なライフログを集約する例としてTwitterにおける投稿時間からFLAGの持つ位置情報と結びつけを行う.これにより,位置情報を持たないライフログの地図上への可視化が可能となる.システムの評価では,6名の被験者により滞在地の正解データを作成し,FLAGの滞在地検出精度について2種類の検出法を用いて比較を行った.結果,FLAGでは元データに比べて高い精度による滞在地の検出が確認された.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

本研究ではあらゆる環境音を対象とした集合知としての環境音データベース構築を目的とする.例えば,環境音の一つとして環境騒音問題を考えると,車や鉄道などの特徴的な音だけではなく,道や公園の賑わいのような生活雑音も考慮する必要がある.しかし,日常的かつ広範囲な音を少人数で収録することは容易ではない.そこで,クラウドソーシングによる収録を行うことで,環境音測定に必要な膨大な空間を覆うことを目指す.Android OSを搭載したスマートデバイスで動作するアプリケーションの試作を行い,さらに収録音の集積と閲覧のためのサーバシステムの試作を行った.本報告では開発した環境音収集システムの概要と環境音収録実験について紹介する.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

個人の位置情報履歴から構築したネットワークの構造的特徴を基に個人の行動分析を行う手法について検討する．本報告では，GPS から取得した位置情報履歴を利用して構築された有向ネットワークを滞在地ネットワークと呼ぶ．滞在地ネットワークでは位置情報履歴から抽出された滞在地をノードとして扱う．一般に，有向なネットワークの個々のノードは出次数と入次数という構造的特徴量を持っている．滞在地ネットワークでは個々のノードが持つ出次数と入次数やそれらの比には偏りがある．そこで，この偏り度合いにはその滞在地における人の行動と関係性があると仮定して，その関係性を分析した．特に，人の行動結果の一つと考えられる滞在地の滞在目的に着目して，次数の偏り度合いと滞在目的との関係性について分析した．We discuss a behavior-anaysis method based on strucural features in networks constructed from a personal location history. In this paper, a directed network constructed from GPS location history is called a stay network. Stay network treat set of stay extratcted from the location history as nodes in networks. Generally, nodes of directed networks have out-degrees and in-degrees as structural features. The stay network has biased values of out-degrees, in-degrees and their ratio. Therefore, we assumed existance of relationships between the degree of biased values and human behaviors in the stay, and analyzed the relationships. We forcused on a purpose of the stay, which is assumed to be occur as a result of human behavior, and particularly analyzed relationships between the degree of biased values and the purpose of the stay.

CiNii Article

CiNii Books

researchmap

記述言語：日本語  

本研究ではあらゆる環境音を対象とした集合知としての環境音データベース構築を目的とする．例えば，環境音の一つとして環境騒音問題を考えると，車や鉄道などの特徴的な音だけではなく，道や公園の賑わいのような生活雑音も考慮する必要がある．しかし，日常的かつ広範囲な音を少人数で収録することは容易ではない．そこで，クラウドソーシングによる収録を行うことで，環境音測定に必要な膨大な空間を覆うことを目指す．Android OS を搭載したスマートデバイスで動作するアプリケーションの試作を行い，さらに収録音の集積と閲覧のためのサーバシステムの試作を行った[１]．本報告では開発した環境音収集システムの概要と環境音収録実験について紹介する．In this study, we aimed to construct environmental sound database for various sounds as Wisdom of the crowds. For example, considering environmental noise-pollution problems as a kind of the environmental sound, we need to consider not only signature sound, e.g. car noise and railway noise, but also life-space noise, e.g. festivity noise on streets or in parks. However, daily/widely sound collection is difficult to substantiate by few participant. Therefore, we aimed to measure environmental sound covered a vast area by applying crowdsourcing approach. First, we develop a prototype application which is run on the smart device with Android OS, and then we develop a prototype server system for collection and browsing the collected sound data. Then, we calibrated noise level measured by smart devices and carried out a sound collection experiment for validate an accuracy of sensors on the smart devices [1]. In this report, we introduce the environemental sound collection system and the sound-collection experiment using the system.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

運転中の利用に適した対話方法を提案するため，ユーザ負荷の観点で対話戦略を評価した．対話の主導権の方式と確認発話の方式を組み合わせて，客観評価実験である計算機シミュレーションを行った．シミュレーションの条件として，システムがユーザに余裕があるときのみ発話する条件と，ユーザが正しく聞き取れる割合の条件を設定した．また，これらの方式を実装した音声対話システムを利用した主観評価実験を行った．これらの評価から，ユーザ主導の対話戦略は認識率が高いとターン数やタスク達成時間が少なく優れているという結果を得た．一方，システム主導や混合主導の対話戦略は認識率が低い場合にターン数やタスク達成時間がユーザ主導の対話戦略よりも低く優れているという結果を得た．余裕があるときのみ発話する場合は，タスク達成までに時間がかかるため効率が悪いが，ユーザが感じる負担はほとんどないという結果を得た．We assess dialog strategies from user's workload standpoint to suggest usage of spoken dialog systems while driving. We evaluate several dialog strategies, which are combinations of methods of dialog initiative and confirmation manner, with objective evaluation method using computer simulation. Two conditions of the simulation are set up; One is that the system speaks if the user has leeway to talk with the system, and the another one is that the system speaks even if the user will be fail to recognize the system's. We also evaluate spoken dialog systems applying these methods with subjective evaluation method. As a result of the evaluations, user initiative strategy has advantages in lower turn number and lower task completion rate than both system initiative strategy and mixed initiative strategies when cognitive rate is high. The result also shows that system initiative strategy and mixed initiative strategy have advantages in lower turn number and lower task completion rate than user initiative strategy when cognitive rate is low. Additionally, the result shows that the method, which system speaks only when user has enough time driving operation, makes user's workload low, however, it need more time to complete tasks.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

本報告ではPC操作ログから非負値行列因子分解によって勤務パタンの抽出を試みた.一日を単位とし,どの時間帯にどのソフトウェアを利用しているかのパタンを抽出した.3つの職種を分析した結果,職種に依存する特徴的な勤務パタンを抽出することができた.また,一部には職種に共通する勤務パタンも抽出された.非負値行列因子分解の利点は基底の解釈が容易な点にあるが,抽出されたパタンから,あるソフトウェアをある時間帯に集中的に利用する勤務パタンや,複数のソフトウェアを並列して利用する勤務パタンなどの解釈が可能であることを示した.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

運転中の利用に適した対話方法を提案するため，ユーザ負荷の観点で対話戦略を評価した．対話の主導権の方式と確認発話の方式を組み合わせて，客観評価実験である計算機シミュレーションを行った．シミュレーションの条件として，システムがユーザに余裕があるときのみ発話する条件と，ユーザが正しく聞き取れる割合の条件を設定した．また，これらの方式を実装した音声対話システムを利用した主観評価実験を行った．これらの評価から，ユーザ主導の対話戦略は認識率が高いとターン数やタスク達成時間が少なく優れているという結果を得た．一方，システム主導や混合主導の対話戦略は認識率が低い場合にターン数やタスク達成時間がユーザ主導の対話戦略よりも低く優れているという結果を得た．余裕があるときのみ発話する場合は，タスク達成までに時間がかかるため効率が悪いが，ユーザが感じる負担はほとんどないという結果を得た．We assess dialog strategies from user's workload standpoint to suggest usage of spoken dialog systems while driving. We evaluate several dialog strategies, which are combinations of methods of dialog initiative and confirmation manner, with objective evaluation method using computer simulation. Two conditions of the simulation are set up; One is that the system speaks if the user has leeway to talk with the system, and the another one is that the system speaks even if the user will be fail to recognize the system's. We also evaluate spoken dialog systems applying these methods with subjective evaluation method. As a result of the evaluations, user initiative strategy has advantages in lower turn number and lower task completion rate than both system initiative strategy and mixed initiative strategies when cognitive rate is high. The result also shows that system initiative strategy and mixed initiative strategy have advantages in lower turn number and lower task completion rate than user initiative strategy when cognitive rate is low. Additionally, the result shows that the method, which system speaks only when user has enough time driving operation, makes user's workload low, however, it need more time to complete tasks.

CiNii Article

CiNii Books

researchmap

記述言語：日本語  

本報告では PC 操作ログから非負値行列因子分解によって勤務パタンの抽出を試みた．一日を単位とし，どの時間帯にどのソフトウェアを利用しているかのパタンを抽出した．3 つの職種を分析した結果，職種に依存する特徴的な勤務パタンを抽出することができた．また，一部には職種に共通する勤務パタンも抽出された．非負値行列因子分解の利点は基底の解釈が容易な点にあるが，抽出されたパタンから，あるソフトウェアをある時間帯に集中的に利用する勤務パタンや，複数のソフトウェアを並列して利用する勤務パタンなどの解釈が可能であることを示した．In this paper, we tried to extract working patterns by nonnegative matrix factorization using PC operation logs. Experiments were carried out for three occupations, in terms of daily-basis working patterns, we successfully extracted particular patterns for each occupation and some common working patterns for all occupations. We also presented that the extracted patterns can be easily interpreted as the ways of working.

CiNii Article

CiNii Books

researchmap

記述言語：日本語  

本報告では PC 操作ログから非負値行列因子分解によって勤務パタンの抽出を試みた．一日を単位とし，どの時間帯にどのソフトウェアを利用しているかのパタンを抽出した．3 つの職種を分析した結果，職種に依存する特徴的な勤務パタンを抽出することができた．また，一部には職種に共通する勤務パタンも抽出された．非負値行列因子分解の利点は基底の解釈が容易な点にあるが，抽出されたパタンから，あるソフトウェアをある時間帯に集中的に利用する勤務パタンや，複数のソフトウェアを並列して利用する勤務パタンなどの解釈が可能であることを示した．In this paper, we tried to extract working patterns by nonnegative matrix factorization using PC operation logs. Experiments were carried out for three occupations, in terms of daily-basis working patterns, we successfully extracted particular patterns for each occupation and some common working patterns for all occupations. We also presented that the extracted patterns can be easily interpreted as the ways of working.

CiNii Article

CiNii Books

researchmap

記述言語：日本語  

ライフログとは，人間の行動をデジタルデータとして記録に残すことである．ライフログデータを用いて自分の行動を振り返ることを考える．例えば，現在広く普及しているSocial Networking Service（SNS）の過去の発言や写真を見返すことで，振り返りが可能であるが，それらに記録するのは自分の意志で記録したいと思ったことに限られてしまうという問題点がある．無意識に記録できるライフログデータの一つに，Global Positioning System (GPS) による位置情報データ（GPS データ）があげられる．本研究では，GPSデータから得られる滞在地の特徴量を利用し，振り返りたいと感じる「特別な日」を検索する方式を提案した．評価実験により，提案方式で「特別な日」が高い精度で検索可能であることが示された．

CiNii Article

CiNii Books

researchmap

記述言語：日本語  

近年、高齢者による徘徊行動が社会問題となっている。既存の見守りシステムではあらかじめ行動範囲を設定する必要があり、その範囲も詳細に決定できないため十分な見守りが不可能である。 そこで、本研究では蓄積したGPSデータを用いて見守りシステムに応用するための生活圏(行動範囲)を抽出する方法を検討する。GPSデータに含まれる位置情報(緯度経度)をGEOHEXを用いてHEXコードという量子化符号に変換する。それらのHEXコードを滞在地と経路に分類し、頻度の高いHEXコードをそれぞれの生活圏として抽出し、滞在地に属するデータの生活圏と経路に属するデータの生活圏の整合性を評価した。

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

CiNii Article

CiNii Books

researchmap

担当区分：筆頭著者   記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

本研究ではあらゆる環境音を対象とした集合知としての環境音データベース構築を目的とする.例えば,環境音の一つとして環境騒音問題を考えると,車や鉄道などの特徴的な音だけではなく,道や公園の賑わいのような生活雑音も考慮する必要がある.しかし,日常的かつ広範囲な音を少人数で収録することは容易ではない.そこで,クラウドソーシングによる収録を行うことで,環境音測定に必要な膨大な空間を覆うことを目指す. Android OSを搭載したスマートデバイスで動作するアプリケーションの試作を行い,さらに収録音の集積と閲覧のためのサーバシステムの試作を行った.また,スマートデバイス搭載のセンサ群の精度を検証するために,騒音レベルの校正と環境音収録実験を行った.実験では900分の環境音データを収録し,収録された騒音レベルと主観的な評価値の関係性を分析した.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：日本音響学会  

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

自動車の燃費計が搭載された車が増えているが,燃費データは表示するだけであり,外部へ出力して蓄積や分析などの再利用は行えない.外部へ車両のデータを出力する方法としては,診断用コネクタを利用してOBD2規格のデータから速度,回転数燃料消費率を取り出す方法がある.しかし,プロトコルがメーカーや車種により異なっているため,一般利用には向いていない.本研究ではスマートフォンで得られる音響信号と各種センサーの値を用いて自動車の燃費推定を行う.燃費推定にはエンジン回転数の推定とトルクの推定が必要となる.エンジン回転数は,エンジン音に高速フーリエ変換を行い,混合ガンマ分布で近似したロードノイズを除去した音響信号から求める.トルクは各種センサーの値と自動車の諸元から自動車の物理法則を用いて求める.得られたエンジン回転数とトルクに対して,事前に収集した燃料消費率の対応表を用いて燃費を推定する.スマートフォンを用いた燃費推定の実験の結果,最終的な平均燃費に誤差があるものの,瞬間燃費の大まかな変化を知るという目的に十分な数値が得られた.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

本報告ではGPSロガーによって取得したデータから個人毎の滞在地のネットワークを作り,ネットワーク構造に着目した新たな行動分析の手法について述べる.本報告では6名の被験者のGPSデータを用いて滞在地のネットワークのスケールフリー性,スモールワールド性,クラスター性を分析し,身の回りの他のネットワークとの比較,またモチーフの分布から滞在地のネットワーク特有の点を分析した.さらにノード間の繋がり方に着目し,ハブとなっている度合いと,そのノードに出入りするノードの種類数の偏りを数値化することで,被験者間でのネットワークの違いを明らかにした.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

自身の経験を相手に伝えるとき,同様な印象を想起するような相手の過去の経験に置き換えて説明することで,理解を深められることがある.そこで本稿では,ライフログから伝え手と受け手が同様な印象を持つイベントを抽出する方法について検討した.まず,数種類の感情を提示して,被験者に幾つかのイベントを思い出させた.これらのイベントに対し,各イベントから想起される感情を項目ごとに数値化させて類似度を求める方法と,ディスカッションにより各イベントの類似度を決める方法とを比較した.その結果,ディスカッションによる方法による類似度の決定ではイベントに対する強い感情が主たる要因となっていることが明らかになった.

CiNii Article

CiNii Books

researchmap

記述言語：日本語  

J-GLOBAL

researchmap

記述言語：日本語   出版者・発行元：一般社団法人 日本音響学会  

DOI： 10.20697/jasj.69.9_519

CiNii Article

researchmap

記述言語：日本語  

J-GLOBAL

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

実環境音声情報案内システムでは,雑音等の非音声やユーザ同士の背景会話など,システムへの入力として不適切な入力が存在する.これらの入力はシステムの誤作動・誤認識の原因となるので,無効入力として棄却して応答処理を行わないことが重要である.一般に,有効入力と無効入力との識別にはGMM (Gaussian Mixture Model) による方法など,音響的な情報に基づく方法が用いられることが多い.しかし,入力データに含まれる言語的な情報を使うことにより,システムのタスクも考慮した,より高精度な有効入力と無効入力の識別が可能になると考えられる.そこで本論文では,音声認識結果から得られるBag-of-Words (BOW) を特徴量として,サポートベクターマシン(SVM)および最大エントロピー法を用いた無効入力の識別を検討した.実環境音声情報案内システム「たけまるくん」の入力データを用いた実験では,GMMを用いたSVMによる無効入力の識別と較べ,F尺度を81.73%から83.61%に改善することができた.また,BOW,GMMによる音響尤度,発話時間,SNRを組み合わせた場合,F尺度を86.57%まで改善することができた.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

個人が複数の携帯情報端末を所有し,そこで得られたあらゆる音声データをクラウドに蓄積することが容易になりつつある.このように音声情報処理の周辺環境・技術が激変していく中で,音声情報処理技術のより一層の高度化が求められている.その期待に応えるためには,クラウド処理を前提とした音声研究プラットフォームの構築と,それを基盤とした新しい音声研究のパラダイムが必要である.本稿では,現在までに培われてきた音声情報処理技術を概観した上で,新しい研究パラダイムの方向性とそこで生じる新たな課題について議論する.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

本論文では携帯端末用の音声情報案内システム開発に向けたネットワークサービスソフトウェアの開発について検討する.このソフトウェアは2002年11月よりコミュニティセンターに設置されたたけまるくんシステムを基礎としている.本システムは,音声認識,対話管理,テキスト音声合成を統合したシステムである.WWWサイト開発者にも使いやすいような,Software-as-a-Service (SaaS) を目指すとともに,熟練した開発者や研究者にも使いやすいパッケージとしての展開を検討する.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

ブラインド音源分離は音声認識の精度の向上に応用されるが,従来の音源分離法は音声認識の単なる前処理としてしか利用されなかった.本稿では,周波数領域独立成分分析によるブラインド音源分離法と組み合わせたマルチバンド音声認識手法を提案する.音源分離時において,各周波数ごとの分離行列の正確さを推定し,その周波数の信頼度とする.次段の処理では,音源分離の信頼度とメル尺度フィルタバンクエネルギーに基づきマルチバンド音声認識手法により音響尤度を計算する.提案法では音源分離行列の推定誤りとICA後のdepermutation誤りを原因とする認識誤りを削減することが可能となる.提案法を用いて雑音下での孤立単語認識実験を行った結果,単語正解率が平均8.2%,単語正解精度が平均5.7%向上することを確認した.

CiNii Article

CiNii Books

researchmap

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：情報処理学会  

CiNii Article

CiNii Books

researchmap

出版者・発行元：電子情報通信学会  

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：社団法人電子情報通信学会  

音声を連続音声認識システムにより常時認識することによって得られる認識単語列からその場の雰囲気に適切な音楽・楽曲を提案し,再生するシステムを構築した.楽曲を説明するテキストより構築された文書ベクトル空間と,楽曲の音響特徴量を表現する音響ベクトル空間の対応付けを利用することで,大語彙音声認識によって得られた音声認識単語列を音響ベクトル空間へとマッピングする.また,大語彙音声認識ではカバーできない固有名詞などのキーワードをワードスポッティングで認識する.本稿ではシステムの概要と基本的な性能評価の結果と実際の雑談音声への応用に向けた予備実験結果を示す.楽曲のレビューを読み上げた音声を認識した結果による楽曲検索結果と,レビューのテキストを用いた結果との比較により,テキストではMRR値1で検索できたものが,音声認識性能はWER70.55%,ワードスポッティング性能はF値31.58%でもMRR値0.83と比較的良い結果を得た.また,今後の雑談認識の応用の予備的実験を行い,雑談書き起こしからの例を示した.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

本論文では,音声対話システムの対話履歴を N-gram によってモデル化を行い、その尤度に基づいてユーザ満足度の推定を行う手法を提案する.実験では音声対話による楽曲検索システムを利用した実環境音声データに収録されているユーザとシステムの対話履歴を利用して各ユーザの満足度を N-gram の尤度を用いて推定する.それぞれの満足度レベル毎の N-gram モデルは,ユーザの対話行動とシステムの対話行動を符号化した系列を利用することで作成される.本論文では,作成したモデルを用いて満足度の推定を行いその分類性能を評価した.実験結果より,提案手法は高い分類性能を示しており,特にタスク達成者とタスク未達成者の分類では全てのタスク未達成者を検出する際の誤検出率を 10% に抑えることができた.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

楽曲検索音声対話システムを用いたフィールドテストによるデータを用いて音声対話システムのユーザ満足度を推測する数学的モデルについて検討を行った.本研究ではユーザ満足度の背景となる心理尺度として,ユーザの主観に基づく体感認識精度を導入する.体感認識精度は満足度の指標や様々なユーザプロファイルとともにフィールドテストの事後アンケートを通じて収集した.まず,体感認識精度が対話データの書き起こしに基づいた客観認識精度指標よりも満足度指標と関係が高いことを示す.続いて,体感・客観認識精度の同時分布に対するトップダウンクラスタリングによってユーザのグループを認識精度に対する鋭敏さという観点により分類を行う.体感認識精度を与えうる客観認識精度の下限についてもこの同時分布を用いて計算を行う.最後に,ユーザプロファイルや環境条件を用いてユーザ満足度指標を推測するためのグラフモデルを構築し,分散の約13%に相当するユーザ満足度分布の不確かさを削減することを示す.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：社団法人情報処理学会  

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：社団法人情報処理学会  

楽曲検索音声対話システムを用いたフィールドテストによるデータを用いて音声対話システムのユーザ満足度を推測する数学的モデルについて検討を行った.本研究ではユーザ満足度の背景となる心理尺度として,ユーザの主観に基づく体感認識精度を導入する.体感認識精度は満足度の指標や様々なユーザプロファイルとともにフイールドテストの事後アンケートを通じて収集した.まず,体感認識精度が対話データの書き起こしに基づいた客観認識精度指標よりも満足度指標と関係が高いことを示す.続いて,体感・客観認識精度の同時分布に対するトップダウンクラスタリングによってユーザのグループを認識精度に対する鋭敏さという観点により分類を行う.体感認識精度を与えうる客観認識精度の下限についてもこの同時分布を用いて計算を行う.最後に,ユーザプロファイルや環境条件を用いてユーザ満足度指標を推測するためのグラフモデルを構築し,分散の約13%に相当するユーザ満足度分布の不確かさを削減することを示す.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：社団法人電子情報通信学会  

多様なPC利用環境において音声認識の被験者実験を行うために,WWWを利用した音声対話システム及びそのデータ収集システムを構築した.本システムのユーザはPC上にインストールされたクライアントプログラムを用いることで音声対話によりPC内に蓄積された音楽を再生したり,音楽ダウンロードサイトの楽曲を試聴することができる.クライアントプログラムの利用により収集された音声データや対話ログはインターネットを介してサーバ上に蓄積される.サーバには,ユーザごとの辞書のカスタマイズ等の機能も実装している.本システムをインターネット上で試験的に公開し,2か月間のフィールドテストとしてデータ収集を行ったところ合計59時間のシステム稼動時データを収集した.そのうち約5時間41分のデータ(11351個)が音声区間として検出されており,システムに対して発話されていた音声データとして6335発話を得た.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：社団法人情報処理学会  

本論文では楽曲検索システムの音声インタフェースに適用するための与えられた認識語彙集合に最適なHMM 音響モデルを学習するための手法について述べる。本論文が対象とする楽曲検索アプリケーションにおいては各ユーザ毎にHMM 音響モデルをカスタマイズすることが重要である、なぜなら、1)楽曲名やアーティスト名には一般的なテキスト読み上げコーパスには出現しないような音韻コンテキストが存在すること、2)ユーザによって蓄積している音楽が異なっていること、が理由としてあげられる。特に、認識語彙集合に対して最適な状態共有構造を探すということは音響モデルの学習における新しい問題である。そこで本研究では100名以上の話者による合成音声を用いてタスクに関連した語彙発話を生成しタスク依存音響モデルを構築する手法を提案する。フィールドテストによる評価実験の結果、提案手法により作成したタスク依存音響モデルはタスク非依存音響モデルに比べて約10%の単語誤り削減率を達成することを確認した。

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：モバイル学会  

CiNii Article

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

実際の利用環境に近づけた被験者実験を行うために,WWW経由でカスタマイズ可能な音声対話システム及びそのデータ収集システムを構築した.本システムのユーザは自分のPCに音声認識システムをインストールし利用する.不特定多数のユーザに対応するために,インターネット上に用意されたリモートサーバ上で各ユーザが本システムのカスタマイズすることが可能である.さらに,本システムを利用する各ユーザのPCで収録された音声データはインターネットを通してリモートサーバに送信される.本システムを利用することにより,複数のユーザによる実環境下における音声認識システム利用時データを収集することが可能になる.本論文では実際に本システムを使用したフィールドテストを行いデータ収集及び分析を行った.インターネット上に公開して2ヶ月間で59時間のデータが収集され,そのうち約5時間41分のデータ(11351個)が音声区間として検出されていた.認識実験の結果,検出された音声データからシステムに対して発話されていた音声データ4716発話を評価用データとした場合の単語正解率は66.0%であり,各ユーザ毎に教師無しMLLR適応を行うことで単語正解率は70.5%に向上した.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：社団法人情報処理学会  

実際の利用環境に近づけた被験者実験を行うために, WWW経由でカスタマイズ可能な音声対話システム及びそのデータ収集システムを構築した.本システムのユーザは自分のPCに音声認識システムをインストールし利用する.不特定多数のユーザに対応するために,インターネット上に用意されたリモートサーバ上で各ユーザが本システムのカスタマイズすることが可能である.さらに,本システムを利用する各ユーザのPCで収録された音声データはインターネットを通してリモートサーバに送信される.本システムを利用することにより,複数のユーザによる実環境下における音声認識システム利用時データを収集することが可能になる.本論文では実際に本システムを使用したフィールドテストを行いデータ収集及び分析を行った.インターネット上に公開して2ヶ月間で59時間のデータが収集され,そのうち約5時間41分のデータ(11351個)が音声区間として検出されていた.認識実験の結果,検出された音声データからシステムに対して発話されていた音声データ4716発話を評価用データとした場合の単語正解率は66.0%であり,各ユーザ毎に教師無しMLLR適応を行うことで単語正解率は70.5%に向上した.

CiNii Article

CiNii Books

researchmap

記述言語：日本語  

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：社団法人情報処理学会  

本研究では車内での利用を想定した音声対話による楽曲検索システムを構築している.このシステムは, ユーザが対話によって聞きたい楽曲を検索し再生するというシステムである.以前の報告ではユーザが約1時間の間システムを利用する実験を行った.この実験において被験者によって度合は異なるものの, 習熟することにより認識性能が向上するという知見が得られた.そこで, 本報告では, 被験者がシステムに十分慣れるように, 1時間のセッションを5回繰り返す実験を行った.実験により収録した12名の音声を分析した結果, 最終日において初日の約60%の誤り改善率を得た.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：社団法人情報処理学会  

近年,音声認識技術を用いた様々なアプリケーションが考えられている.例えば,ハンズフリーで利用できるという特徴を生かして,カーナビゲーションシステムなどに利用されている.また,インターネット経由の楽曲ダウンロードシステムが増えており,使いやすい楽曲検索インタフェースへの期待が高まっている.そこで本研究では車内での利用を想定した音声対話による楽曲検索システムを作成した.このシステムは,ユーザが対話によって聞きたい楽曲を検索し再生するというシステムである.本報告ではシステムの詳細及びシステムを用いた音声対話の収録について述べる.プロトタイプを用いて約150名の被験者実験を行った結果,室内で約80%,実車運転時で約76%の単語正解率を得た.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   出版者・発行元：一般社団法人電子情報通信学会  

本研究は,音声対話システムの利用に必要な知識,技術の学習過程および問題点を明らかとし,これらがシステム評価に与える影響を検討するため,実システムを用いた観察実験を行ない,それによって得られた結果に基づいて,ユーザの達成度とアンケートによるシステム評価との関連性に関する基礎的な議論を行なった.分析の結果,発話認識率と発話数とに相関がある評価項目はほとんどなく,むしろ,会話満足度,システム理解度と多く関連することが明らかとなった.従来,認識率とシステム評価とがよく一致することが知られているが,他の観点からの評価も考慮する必要があることが示唆された.今後は,被験者数を増大させて条件を統制した実験を行ない,より詳細な議論をしていきたい.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：社団法人情報処理学会  

本研究は,音声対話システムの利用に必要な知識,技術の学習過程および問題点を明らかとし,これらがシステム評価に与える影響を検討するため,実システムを用いた観察実験を行ない,それによって得られた結果に基づいて,ユーザの達成度とアンケートによるシステム評価との関連性に関する基礎的な議論を行なった.分析の結果,発話認識率と発話数とに相関がある評価項目はほとんどなく,むしろ、会話満足度,システム理解度と多く関連することが明らかとなった.従来,認識率とシステム評価とがよく一致することが知られているが,他の観点からの評価も考慮する必要があることが示唆された.今後は,被験者数を増大させて条件を統制した実験を行ない,より詳細な議論をしていきたい.

CiNii Article

CiNii Books

researchmap

記述言語：日本語   掲載種別：研究発表ペーパー・要旨（全国大会，その他学術会議）   出版者・発行元：社団法人情報処理学会  

携帯情報端末(PDA)での音声認識の研究を進めるために,汎用音声認識エンジンJulius/JulianをPDA上に移植し,その性能評価を行った.その結果,孤立単語音声認識では,Linux上で動作させた場合に比べて認織率はわずかに低下するが,PDAで実時間の約1.9倍で90%の認識率を得ることができた.連続数字音声認識ではPDAで収録した音声で学習することにより,約99%の認識率を得た.

CiNii Article

CiNii Books

researchmap

開催年月日： 2020年12月8日 - 2020年12月9日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：淡路夢舞台国際会議場＆オンライン  

researchmap

開催年月日： 2020年12月7日 - 2020年12月10日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Auckland, New Zealand (Virtual/Online)  

researchmap

その他リンク： https://ieeexplore.ieee.org/document/9306250

開催年月日： 2020年11月16日 - 2020年11月19日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Osaka, Japan (Virtual/Online)  

researchmap

開催年月日： 2020年10月25日 - 2020年10月29日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Shanghai, China (Virtual/Online)  

researchmap

開催年月日： 2020年10月24日

記述言語：日本語   会議種別：口頭発表（一般）  

researchmap

開催年月日： 2020年9月9日 - 2020年9月11日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：オンライン  

researchmap

開催年月日： 2020年9月9日 - 2020年9月11日

記述言語：日本語   会議種別：ポスター発表  

開催地：オンライン  

researchmap

開催年月日： 2020年6月24日 - 2020年6月26日

記述言語：日本語   会議種別：口頭発表（一般）  

researchmap

開催年月日： 2020年6月24日 - 2020年6月26日

記述言語：日本語   会議種別：口頭発表（一般）  

researchmap

開催年月日： 2020年6月6日 - 2020年6月7日

記述言語：日本語   会議種別：ポスター発表  

researchmap

開催年月日： 2020年6月6日 - 2020年6月7日

記述言語：日本語   会議種別：ポスター発表  

researchmap

開催年月日： 2020年5月4日 - 2020年5月8日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Barcelona, Spain (Virtual/Online)  

researchmap

開催年月日： 2020年3月17日 - 2020年3月18日

記述言語：日本語   会議種別：ポスター発表  

researchmap

開催年月日： 2020年3月16日 - 2020年3月18日

記述言語：日本語   会議種別：口頭発表（一般）  

researchmap

開催年月日： 2020年3月16日 - 2020年3月18日

記述言語：日本語   会議種別：口頭発表（一般）  

researchmap

開催年月日： 2020年3月16日 - 2020年3月17日

記述言語：日本語   会議種別：口頭発表（一般）  

researchmap

開催年月日： 2019年11月30日

記述言語：日本語   会議種別：ポスター発表  

researchmap

開催年月日： 2019年11月18日 - 2019年11月21日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Lanzhou, China  

researchmap

開催年月日： 2019年11月18日 - 2019年11月21日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Lanzhou, China  

researchmap

開催年月日： 2019年9月4日 - 2019年9月6日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：立命館大BKCキャンパス（滋賀県草津市）  

researchmap

開催年月日： 2019年8月31日 - 2019年9月1日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：広島県福山市  

researchmap

開催年月日： 2019年8月20日 - 2019年8月25日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Istanbul, Turkey  

researchmap

開催年月日： 2019年7月3日 - 2019年7月5日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：磐梯熱海温泉華の湯（福島県）  

researchmap

開催年月日： 2019年7月3日 - 2019年7月5日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：磐梯熱海温泉華の湯（福島県）  

researchmap

開催年月日： 2019年6月22日 - 2019年6月23日

記述言語：日本語   会議種別：ポスター発表  

開催地：京都大学 吉田キャンパス（京都府）  

researchmap

開催年月日： 2019年6月22日 - 2019年6月23日

記述言語：日本語   会議種別：ポスター発表  

開催地：京都大学 吉田キャンパス（京都府）  

researchmap

開催年月日： 2019年3月3日 - 2019年3月5日

記述言語：日本語   会議種別：ポスター発表  

開催地：電気通信大学  

researchmap

開催年月日： 2019年3月3日 - 2019年3月5日

記述言語：日本語   会議種別：ポスター発表  

開催地：電気通信大学  

researchmap

開催年月日： 2019年3月3日 - 2019年3月5日

記述言語：日本語   会議種別：ポスター発表  

開催地：電気通信大学  

researchmap

開催年月日： 2018年11月21日 - 2018年11月22日

記述言語：日本語   会議種別：ポスター発表  

開催地：ホテルこうしゅうえん（石川県輪島市）  

researchmap

開催年月日： 2018年9月19日 - 2018年9月21日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：福岡工業大学  

researchmap

開催年月日： 2018年9月15日 - 2018年9月17日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：岡山大学 津島キャンパス  

researchmap

開催年月日： 2018年9月12日 - 2018年9月14日

記述言語：日本語   会議種別：ポスター発表  

開催地：大分大学 旦野原キャンパス  

researchmap

開催年月日： 2018年9月12日 - 2018年9月14日

記述言語：日本語   会議種別：ポスター発表  

開催地：大分大学 旦野原キャンパス  

researchmap

開催年月日： 2018年9月2日 - 2018年9月6日

記述言語：英語   会議種別：ポスター発表  

開催地：Hyderabad, India  

researchmap

開催年月日： 2018年6月28日 - 2018年6月29日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：信州大学 長野（工学）キャンパス  

researchmap

開催年月日： 2018年3月13日 - 2018年3月15日

記述言語：日本語   会議種別：ポスター発表  

開催地：日本工業大学宮代キャンパス  

researchmap

開催年月日： 2018年3月13日 - 2018年3月15日

記述言語：日本語   会議種別：ポスター発表  

開催地：日本工業大学宮代キャンパス  

researchmap

開催年月日： 2018年3月13日 - 2018年3月15日

記述言語：日本語   会議種別：ポスター発表  

開催地：日本工業大学宮代キャンパス  

researchmap

開催年月日： 2017年12月12日 - 2017年12月15日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Kuala Lumpur, Malaysia  

researchmap

開催年月日： 2017年12月12日 - 2017年12月15日

記述言語：英語   会議種別：ポスター発表  

開催地：Kuala Lumpur, Malaysia  

researchmap

開催年月日： 2017年11月7日 - 2017年11月10日

記述言語：英語   会議種別：ポスター発表  

開催地：Redondo Beach, CA, USA  

researchmap

開催年月日： 2017年9月25日 - 2017年9月27日

記述言語：日本語   会議種別：ポスター発表  

開催地：愛媛大学 城北キャンパス  

researchmap

開催年月日： 2017年9月25日 - 2017年9月27日

記述言語：日本語   会議種別：ポスター発表  

開催地：愛媛大学 城北キャンパス  

researchmap

開催年月日： 2017年9月25日 - 2017年9月27日

記述言語：日本語   会議種別：ポスター発表  

開催地：愛媛大学 城北キャンパス  

researchmap

開催年月日： 2017年9月11日 - 2017年9月15日

記述言語：英語   会議種別：ポスター発表  

開催地：Maui, Hawaii, USA  

researchmap

開催年月日： 2017年8月20日 - 2017年8月24日

記述言語：英語   会議種別：ポスター発表  

開催地：Stockholm, Sweden  

researchmap

開催年月日： 2017年6月28日 - 2017年6月30日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：定山渓万世閣ホテルミリオーネ  

researchmap

開催年月日： 2017年6月22日 - 2017年6月23日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：東北大学 片平キャンパス  

researchmap

開催年月日： 2017年3月22日 - 2017年3月25日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：名城大学  

researchmap

開催年月日： 2017年3月15日 - 2017年3月17日

記述言語：日本語   会議種別：ポスター発表  

開催地：明治大学生田キャンパス  

researchmap

開催年月日： 2017年3月15日 - 2017年3月17日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：明治大学生田キャンパス  

researchmap

開催年月日： 2016年12月13日 - 2016年12月16日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Jeju, Korea  

researchmap

開催年月日： 2016年11月28日 - 2016年12月2日

記述言語：英語   会議種別：ポスター発表  

開催地：Honolulu, Hawaii  

researchmap

開催年月日： 2016年11月19日 - 2016年11月20日

記述言語：日本語   会議種別：ポスター発表  

開催地：山口大学  

researchmap

開催年月日： 2016年9月14日 - 2016年9月16日

記述言語：日本語   会議種別：ポスター発表  

開催地：富山大学五福キャンパス  

researchmap

開催年月日： 2016年9月14日 - 2016年9月16日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：富山大学五福キャンパス  

researchmap

開催年月日： 2016年9月14日 - 2016年9月16日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：富山大学五福キャンパス  

researchmap

開催年月日： 2016年9月14日 - 2016年9月16日

記述言語：日本語   会議種別：ポスター発表  

開催地：富山大学五福キャンパス  

researchmap

開催年月日： 2016年9月12日 - 2016年9月16日

記述言語：英語   会議種別：ポスター発表  

開催地：Heidelberg, Germany  

researchmap

開催年月日： 2016年9月12日 - 2016年9月16日

記述言語：英語   会議種別：ポスター発表  

開催地：Heidelberg, Germany  

researchmap

開催年月日： 2016年8月24日 - 2016年8月25日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：京都大学  

researchmap

開催年月日： 2016年7月11日 - 2016年7月15日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Seattle, WA, USA  

researchmap

開催年月日： 2016年7月6日 - 2016年7月8日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：鳥羽シーサイドホテル  

researchmap

開催年月日： 2016年7月6日 - 2016年7月8日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：鳥羽シーサイドホテル  

researchmap

開催年月日： 2016年5月12日 - 2016年5月13日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：東京大学  

researchmap

開催年月日： 2016年3月9日 - 2016年3月11日

記述言語：日本語   会議種別：ポスター発表  

開催地：桐蔭横浜大学  

researchmap

開催年月日： 2016年1月21日 - 2016年1月22日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：福岡工業大学  

researchmap

開催年月日： 2015年12月16日 - 2015年12月19日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Hong Kong  

researchmap

開催年月日： 2015年11月21日 - 2015年11月22日

記述言語：日本語   会議種別：ポスター発表  

開催地：岡山大学  

researchmap

開催年月日： 2015年11月21日 - 2015年11月22日

記述言語：日本語   会議種別：ポスター発表  

開催地：岡山大学  

researchmap

開催年月日： 2015年9月16日 - 2015年9月18日

記述言語：日本語   会議種別：ポスター発表  

開催地：会津大学  

researchmap

開催年月日： 2015年9月16日 - 2015年9月18日

記述言語：日本語   会議種別：ポスター発表  

開催地：会津大学  

researchmap

開催年月日： 2015年9月16日 - 2015年9月18日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：会津大学  

researchmap

開催年月日： 2015年9月6日 - 2015年9月10日

記述言語：英語   会議種別：ポスター発表  

開催地：Dresden, Germany  

researchmap

開催年月日： 2015年8月2日 - 2015年8月7日

記述言語：英語   会議種別：ポスター発表  

開催地：Los Angels, CA, USA  

researchmap

開催年月日： 2015年8月2日 - 2015年8月7日

記述言語：英語   会議種別：ポスター発表  

開催地：Los Angels, CA, USA  

researchmap

開催年月日： 2015年7月8日 - 2015年7月10日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：岩手県 安比高原  

researchmap

開催年月日： 2015年7月8日 - 2015年7月10日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：岩手県 安比高原  

researchmap

開催年月日： 2015年5月14日 - 2015年5月15日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：津田塾大学小平キャンパス  

researchmap

開催年月日： 2015年3月27日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：St. Louis, Missouri, USA  

researchmap

開催年月日： 2015年3月16日 - 2015年3月18日

記述言語：日本語   会議種別：ポスター発表  

開催地：日本大学理工学部  

researchmap

開催年月日： 2015年3月16日 - 2015年3月18日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：日本大学理工学部  

researchmap

開催年月日： 2015年3月16日 - 2015年3月18日

記述言語：日本語   会議種別：ポスター発表  

開催地：日本大学理工学部  

researchmap

開催年月日： 2015年3月5日 - 2015年3月6日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：沖縄科学技術大学院大学  

researchmap

開催年月日： 2015年3月5日 - 2015年3月6日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：沖縄科学技術大学院大学  

researchmap

開催年月日： 2015年3月5日 - 2015年3月6日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：沖縄科学技術大学院大学  

researchmap

開催年月日： 2015年2月16日 - 2015年2月17日

記述言語：日本語   会議種別：口頭発表（招待・特別）  

開催地：国立情報学研究所  

researchmap

開催年月日： 2015年1月9日 - 2015年1月12日

記述言語：英語   会議種別：口頭発表（一般）  

開催地：Las Vegas, USA  

researchmap

開催年月日： 2014年12月14日

記述言語：日本語   会議種別：ポスター発表  

開催地：関西大学  

researchmap

開催年月日： 2014年12月14日

記述言語：日本語   会議種別：ポスター発表  

開催地：関西大学  

researchmap

開催年月日： 2014年12月9日 - 2014年12月12日

記述言語：英語   会議種別：ポスター発表  

開催地：Cambodia  

researchmap

開催年月日： 2014年9月3日 - 2014年9月5日

記述言語：日本語   会議種別：ポスター発表  

開催地：北海学園大学  

researchmap

開催年月日： 2014年9月3日 - 2014年9月5日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：北海学園大学  

researchmap

開催年月日： 2014年6月28日 - 2014年6月29日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：国立情報学研究所  

researchmap

開催年月日： 2014年5月29日 - 2014年5月30日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：富山国際会議場  

researchmap

開催年月日： 2014年5月24日 - 2014年5月25日

記述言語：日本語   会議種別：ポスター発表  

開催地：日本大学文理学部キャンパス 百周年記念館  

researchmap

開催年月日： 2014年5月22日 - 2014年5月23日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：東京工業大学大岡山キャンパス  

researchmap

開催年月日： 2014年5月15日 - 2014年5月16日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：早稲田大学 西早稲田キャンパス  

researchmap

開催年月日： 2014年4月30日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：岡山大学  

researchmap

開催年月日： 2014年3月24日 - 2014年3月28日

記述言語：英語   会議種別：ポスター発表  

開催地：Budapest, Hungary  

researchmap

開催年月日： 2014年3月18日 - 2014年3月21日

記述言語：日本語   会議種別：口頭発表（一般）  

researchmap

開催年月日： 2014年3月11日 - 2014年3月13日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：東京電機大学  

researchmap

開催年月日： 2014年3月11日 - 2014年3月13日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：東京電機大学  

researchmap

開催年月日： 2014年3月10日 - 2014年3月12日

記述言語：日本語   会議種別：口頭発表（一般）  

開催地：日本大学  

researchmap

開催年月日： 2014年3月7日 - 2014年3月8日