JP6350148B2 - 話者インデキシング装置、話者インデキシング方法及び話者インデキシング用コンピュータプログラム - Google Patents
話者インデキシング装置、話者インデキシング方法及び話者インデキシング用コンピュータプログラム Download PDFInfo
- Publication number
- JP6350148B2 JP6350148B2 JP2014183652A JP2014183652A JP6350148B2 JP 6350148 B2 JP6350148 B2 JP 6350148B2 JP 2014183652 A JP2014183652 A JP 2014183652A JP 2014183652 A JP2014183652 A JP 2014183652A JP 6350148 B2 JP6350148 B2 JP 6350148B2
- Authority
- JP
- Japan
- Prior art keywords
- speaker
- feature
- speakers
- distribution
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 33
- 238000004590 computer program Methods 0.000 title claims description 10
- 238000009826 distribution Methods 0.000 claims description 219
- 230000005236 sound signal Effects 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 31
- 238000002372 labelling Methods 0.000 claims description 25
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 46
- 239000000203 mixture Substances 0.000 description 37
- 230000008569 process Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000007476 Maximum Likelihood Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 230000007704 transition Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000005311 autocorrelation function Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002994 Monte Carlo simulated annealing Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Telephonic Communication Services (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
Description
上記の一般的な記述及び下記の詳細な記述の何れも、例示的かつ説明的なものであり、請求項のように、本発明を限定するものではないことを理解されたい。
処理部13が有するこれらの各部は、例えば、処理部13が有するプロセッサ上で動作するコンピュータプログラムにより実現される機能モジュールである。
また、モデル化部22は、特徴量の分布をモデル化する確率分布を求めるために利用するアルゴリズムとして、EMアルゴリズムの代わりに、マルコフ連鎖モンテカルロ法またはシミュレーティッドアニーリングを利用してもよい。
特徴量抽出部21は、複数の話者の会話音声が含まれる音声信号をフレーム単位に分割し、フレームごとに、話者の声の特徴を表す特徴量を抽出する(ステップS101)。本実施形態では、特徴量として、パワー積算値、ピッチ周波数及びケプストラムが抽出される。そして特徴量抽出部21は、各フレームの特徴量の組を記憶部14に記憶する。
一方、学習が収束した場合(ステップS107−Yes)、処理部13は、最新の話者モデルに基づいて各フレームに付された話者の識別情報を、最終的に得られた結果とし、話者インデキシング処理を終了する。
図7において、縦軸は誤り率を表す。グラフ701は、従来技術による誤り率を表し、グラフ702は、本実施形態による誤り率を表す。なお、誤り率は、いずれかの話者が発話しているフレーム数で、話者を誤判別したフレーム数を除した数に100を乗じた値である。なお、2名が同時に発話したフレームは含まれていない。グラフ701及び702に示されるように、従来技術では、誤り率は約8%となり、一方、本実施形態では、誤り率は約6%となった。このように、本実施形態による話者インデキシング装置は、各話者が連続して発話している長い区間が音声信号に含まれなくても、手動で初期話者モデル学習用データを与えた従来技術と同等の精度で各フレームに話者の識別情報を付与できることが示された。
その後、処理部33は、ステップS103以降の処理を実行する。
図10は、上記の何れかの実施形態またはその変形例による話者インデキシング装置が実装されたサーバクライアントシステムの概略構成図である。
サーバクライアントシステム100は、端末110とサーバ120とを有し、端末110とサーバ120とは、通信ネットワーク130を介して互いに通信可能となっている。なお、サーバクライアントシステム100が有する端末110は複数存在してもよい。同様に、サーバクライアントシステム100が有するサーバ120は複数存在してもよい。
なお、端末110は、音声信号そのものをサーバ120へ送信してもよい。この場合には、サーバ120の処理部123が、上記の各実施形態または変形例による話者インデキシング装置の処理部の各機能を実現する。
(付記1)
複数の話者の会話を含む音声信号から、所定の時間長を持つフレーム単位で人の声の特徴を表す複数の特徴量を抽出する特徴量抽出部と、
前記複数の特徴量のうちの少なくとも二つの特徴量を含む第1の特徴量の組の分布を前記話者の数と同じ数の確率分布を含む混合分布でモデル化するモデル化部と、
前記確率分布ごとに、当該確率分布の中心から所定距離内にあるか、あるいは当該確率分布の中心に近い方から順に所定数の前記第1の特徴量の組を選択し、選択した前記第1の特徴量の組に対応する前記フレームのそれぞれについての前記複数の特徴量のうちの少なくとも一つの第2の特徴量を、前記複数の話者のうちの当該確率分布に対応する話者の第1の学習データとして選択する学習データ選択部と、
前記複数の話者のそれぞれについて、当該話者に対応する前記第1の学習データを用いて、当該話者の声の特徴を前記第2の特徴量の確率分布で表す話者モデルを学習する初期話者モデル学習部と、
前記複数の話者のそれぞれの前記話者モデルと前記フレームのそれぞれの前記第2の特徴量に基づいて前記フレームのそれぞれに対して、当該フレームで発話した話者の識別情報を付与する話者ラベリング部と、
を有する話者インデキシング装置。
(付記2)
前記複数の話者のそれぞれごとに、当該話者の前記識別情報が付与された前記フレームのそれぞれの前記第2の特徴量を第2の学習データとして前記話者モデルを学習して前記話者モデルを更新する再学習部と、
前記話者モデルの学習が収束したか否かを判定し、当該学習が収束していない場合、前記話者ラベリング部に、前記更新された前記話者モデルと前記フレームのそれぞれの前記第2の特徴量に基づいて前記フレームのそれぞれに対して前記識別情報を付与させ、かつ、前記再学習部に前記話者モデルを更新させる収束判定部とをさらに有する、付記1に記載の話者インデキシング装置。
(付記3)
前記学習データ選択部は、何れかの前記第1の特徴量の組が、2個以上の前記確率分布のそれぞれの中心から前記所定距離以内にある場合、前記2個以上の前記確率分布についての前記所定距離を、前記2個以上の前記確率分布のそれぞれの中心から当該第1の特徴量の組までの距離に変更し、前記2個以上の前記確率分布のそれぞれについて、当該確率分布の中心から変更後の前記所定距離範囲内にある前記第1の特徴量の組を選択する、付記1または2に記載の話者インデキシング装置。
(付記4)
前記所定距離は、前記第1の特徴量の組に含まれる前記特徴量の値の数と同数の自由度を持つχ二乗分布において所定の累積確率に対応するマハラノビス汎距離に設定される、付記1〜3の何れかに記載の話者インデキシング装置。
(付記5)
前記第1の特徴量の組の分布に基づいて前記話者の数を推定する話者数推定部をさらに有する、付記1〜4の何れかに記載の話者インデキシング装置。
(付記6)
前記第1の特徴量の組は、前記フレームごとの前記音声信号のパワー積算値とピッチ周波数とを含み、前記第2の特徴量は、前記フレームごとの前記音声信号のケプストラムを含む、付記1〜5の何れかに記載の話者インデキシング装置。
(付記7)
複数の話者の会話を含む音声信号から、所定の時間長を持つフレーム単位で人の声の特徴を表す複数の特徴量を抽出し、
前記複数の特徴量のうちの少なくとも二つの特徴量を含む第1の特徴量の組の分布を前記話者の数と同じ数の確率分布を含む混合分布でモデル化し、
前記確率分布ごとに、当該確率分布の中心から所定距離内にあるか、あるいは当該確率分布の中心に近い方から順に所定数の前記第1の特徴量の組を選択し、選択した前記第1の特徴量の組に対応する前記フレームのそれぞれについての前記複数の特徴量のうちの少なくとも一つの第2の特徴量を、前記複数の話者のうちの当該確率分布に対応する話者の第1の学習データとして選択し、
前記複数の話者のそれぞれについて、当該話者に対応する前記第1の学習データを用いて、当該話者の声の特徴を前記第2の特徴量の確率分布で表す話者モデルを学習し、
前記複数の話者のそれぞれの前記話者モデルと前記フレームのそれぞれの前記第2の特徴量に基づいて前記フレームのそれぞれに対して、当該フレームで発話した話者の識別情報を付与する、
ことを含む話者インデキシング方法。
(付記8)
複数の話者の会話を含む音声信号から、所定の時間長を持つフレーム単位で人の声の特徴を表す複数の特徴量を抽出し、
前記複数の特徴量のうちの少なくとも二つの特徴量を含む第1の特徴量の組の分布を前記話者の数と同じ数の確率分布を含む混合分布でモデル化し、
前記確率分布ごとに、当該確率分布の中心から所定距離内にあるか、あるいは当該確率分布の中心に近い方から順に所定数の前記第1の特徴量の組を選択し、選択した前記第1の特徴量の組に対応する前記フレームのそれぞれについての前記複数の特徴量のうちの少なくとも一つの第2の特徴量を、前記複数の話者のうちの当該確率分布に対応する話者の第1の学習データとして選択し、
前記複数の話者のそれぞれについて、当該話者に対応する前記第1の学習データを用いて、当該話者の声の特徴を前記第2の特徴量の確率分布で表す話者モデルを学習し、
前記複数の話者のそれぞれの前記話者モデルと前記フレームのそれぞれの前記第2の特徴量に基づいて前記フレームのそれぞれに対して、当該フレームで発話した話者の識別情報を付与する、
ことをコンピュータに実行させるための話者インデキシング用コンピュータプログラム。
11 インターフェース部
12 A/Dコンバータ
13、33 処理部
14 記憶部
21 特徴量抽出部
22 モデル化部
23 初期学習データ選択部
24 初期話者モデル学習部
25 話者ラベリング部
26 再学習部
27 収束判定部
28 適合度算出部
29 話者数推定部
100 サーバクライアントシステム
110 端末
111 音声入力部
112 記憶部
113 通信部
114 制御部
120 サーバ
121 通信部
122 記憶部
123 処理部
130 通信ネットワーク
Claims (6)
- 複数の話者の会話を含む音声信号から、所定の時間長を持つフレーム単位で人の声の特徴を表す複数の特徴量を抽出する特徴量抽出部と、
前記複数の特徴量のうちの少なくとも二つの特徴量を含む第1の特徴量の組の分布を前記話者の数と同じ数の確率分布を含む混合分布でモデル化するモデル化部と、
前記確率分布ごとに、当該確率分布の中心から所定距離内にあるか、あるいは当該確率分布の中心に近い方から順に所定数の前記第1の特徴量の組を選択し、選択した前記第1の特徴量の組に対応する前記フレームのそれぞれについての前記複数の特徴量のうちの少なくとも一つの第2の特徴量を、前記複数の話者のうちの当該確率分布に対応する話者の第1の学習データとして選択する学習データ選択部であって、前記第1の特徴量の組は前記少なくとも一つの第2の特徴量を含んでもよい学習データ選択部と、
前記複数の話者のそれぞれについて、当該話者に対応する前記第1の学習データを用いて、当該話者の声の特徴を前記第2の特徴量の確率分布で表す話者モデルを学習する初期話者モデル学習部と、
前記複数の話者のそれぞれの前記話者モデルと前記フレームのそれぞれの前記第2の特徴量に基づいて前記フレームのそれぞれに対して、当該フレームで発話した話者の識別情報を付与する話者ラベリング部と、
を有する話者インデキシング装置。 - 前記学習データ選択部は、何れかの前記第1の特徴量の組が、2個以上の前記確率分布のそれぞれの中心から前記所定距離以内にある場合、前記2個以上の前記確率分布についての前記所定距離を、前記2個以上の前記確率分布のそれぞれの中心から当該第1の特徴量の組までの距離に変更し、前記2個以上の前記確率分布のそれぞれについて、当該確率分布の中心から変更後の前記所定距離範囲内にある前記第1の特徴量の組を選択する、請求項1に記載の話者インデキシング装置。
- 前記所定距離は、前記第1の特徴量の組に含まれる前記特徴量の値の数と同数の自由度を持つχ二乗分布において所定の累積確率に対応するマハラノビス汎距離に設定される、請求項1または2に記載の話者インデキシング装置。
- 前記第1の特徴量の組の分布に基づいて前記話者の数を推定する話者数推定部をさらに有する、請求項1〜3の何れか一項に記載の話者インデキシング装置。
- 複数の話者の会話を含む音声信号から、所定の時間長を持つフレーム単位で人の声の特徴を表す複数の特徴量を抽出し、
前記複数の特徴量のうちの少なくとも二つの特徴量を含む第1の特徴量の組の分布を前記話者の数と同じ数の確率分布を含む混合分布でモデル化し、
前記確率分布ごとに、当該確率分布の中心から所定距離内にあるか、あるいは当該確率分布の中心に近い方から順に所定数の前記第1の特徴量の組を選択し、選択した前記第1の特徴量の組に対応する前記フレームのそれぞれについての前記複数の特徴量のうちの少なくとも一つの第2の特徴量を、前記複数の話者のうちの当該確率分布に対応する話者の第1の学習データとして選択し、前記第1の特徴量の組は前記少なくとも一つの第2の特徴量を含んでもよく、
前記複数の話者のそれぞれについて、当該話者に対応する前記第1の学習データを用いて、当該話者の声の特徴を前記第2の特徴量の確率分布で表す話者モデルを学習し、
前記複数の話者のそれぞれの前記話者モデルと前記フレームのそれぞれの前記第2の特徴量に基づいて前記フレームのそれぞれに対して、当該フレームで発話した話者の識別情報を付与する、
ことを含む話者インデキシング方法。 - 複数の話者の会話を含む音声信号から、所定の時間長を持つフレーム単位で人の声の特徴を表す複数の特徴量を抽出し、
前記複数の特徴量のうちの少なくとも二つの特徴量を含む第1の特徴量の組の分布を前記話者の数と同じ数の確率分布を含む混合分布でモデル化し、
前記確率分布ごとに、当該確率分布の中心から所定距離内にあるか、あるいは当該確率分布の中心に近い方から順に所定数の前記第1の特徴量の組を選択し、選択した前記第1の特徴量の組に対応する前記フレームのそれぞれについての前記複数の特徴量のうちの少なくとも一つの第2の特徴量を、前記複数の話者のうちの当該確率分布に対応する話者の第1の学習データとして選択し、前記第1の特徴量の組は前記少なくとも一つの第2の特徴量を含んでもよく、
前記複数の話者のそれぞれについて、当該話者に対応する前記第1の学習データを用いて、当該話者の声の特徴を前記第2の特徴量の確率分布で表す話者モデルを学習し、
前記複数の話者のそれぞれの前記話者モデルと前記フレームのそれぞれの前記第2の特徴量に基づいて前記フレームのそれぞれに対して、当該フレームで発話した話者の識別情報を付与する、
ことをコンピュータに実行させるための話者インデキシング用コンピュータプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014183652A JP6350148B2 (ja) | 2014-09-09 | 2014-09-09 | 話者インデキシング装置、話者インデキシング方法及び話者インデキシング用コンピュータプログラム |
US14/825,653 US9536525B2 (en) | 2014-09-09 | 2015-08-13 | Speaker indexing device and speaker indexing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014183652A JP6350148B2 (ja) | 2014-09-09 | 2014-09-09 | 話者インデキシング装置、話者インデキシング方法及び話者インデキシング用コンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016057461A JP2016057461A (ja) | 2016-04-21 |
JP6350148B2 true JP6350148B2 (ja) | 2018-07-04 |
Family
ID=55438073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014183652A Active JP6350148B2 (ja) | 2014-09-09 | 2014-09-09 | 話者インデキシング装置、話者インデキシング方法及び話者インデキシング用コンピュータプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US9536525B2 (ja) |
JP (1) | JP6350148B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024136409A1 (ko) * | 2022-12-19 | 2024-06-27 | 네이버 주식회사 | 화자 분할 방법 및 시스템 |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8977255B2 (en) | 2007-04-03 | 2015-03-10 | Apple Inc. | Method and system for operating a multi-function portable electronic device using voice-activation |
CN104969289B (zh) | 2013-02-07 | 2021-05-28 | 苹果公司 | 数字助理的语音触发器 |
US9338493B2 (en) | 2014-06-30 | 2016-05-10 | Apple Inc. | Intelligent automated assistant for TV user interactions |
EP3160334B1 (en) * | 2014-08-22 | 2021-12-01 | SRI International | Speech-based assessment of a patient's state-of-mind |
US10460227B2 (en) | 2015-05-15 | 2019-10-29 | Apple Inc. | Virtual assistant in a communication session |
US10747498B2 (en) | 2015-09-08 | 2020-08-18 | Apple Inc. | Zero latency digital assistant |
US10706873B2 (en) | 2015-09-18 | 2020-07-07 | Sri International | Real-time speaker state analytics platform |
US10691473B2 (en) | 2015-11-06 | 2020-06-23 | Apple Inc. | Intelligent automated assistant in a messaging environment |
US10964329B2 (en) * | 2016-07-11 | 2021-03-30 | FTR Labs Pty Ltd | Method and system for automatically diarising a sound recording |
US10614797B2 (en) * | 2016-12-01 | 2020-04-07 | International Business Machines Corporation | Prefix methods for diarization in streaming mode |
CN106897921A (zh) * | 2017-02-28 | 2017-06-27 | 广州市诚毅科技软件开发有限公司 | 一种基于快递柜的商品购买方法和装置 |
US9741337B1 (en) * | 2017-04-03 | 2017-08-22 | Green Key Technologies Llc | Adaptive self-trained computer engines with associated databases and methods of use thereof |
DK201770429A1 (en) | 2017-05-12 | 2018-12-14 | Apple Inc. | LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT |
DK179496B1 (en) | 2017-05-12 | 2019-01-15 | Apple Inc. | USER-SPECIFIC Acoustic Models |
US20180336275A1 (en) | 2017-05-16 | 2018-11-22 | Apple Inc. | Intelligent automated assistant for media exploration |
JP2019028753A (ja) | 2017-07-31 | 2019-02-21 | オリンパス株式会社 | 機器制御装置及び機器制御方法 |
WO2019116889A1 (ja) * | 2017-12-12 | 2019-06-20 | ソニー株式会社 | 信号処理装置および方法、学習装置および方法、並びにプログラム |
US11276407B2 (en) * | 2018-04-17 | 2022-03-15 | Gong.Io Ltd. | Metadata-based diarization of teleconferences |
US20220157322A1 (en) * | 2018-04-17 | 2022-05-19 | Gong.Io Ltd. | Metadata-based diarization of teleconferences |
US10928918B2 (en) | 2018-05-07 | 2021-02-23 | Apple Inc. | Raise to speak |
KR102598057B1 (ko) * | 2018-09-10 | 2023-11-06 | 삼성전자주식회사 | 음소기반 화자모델 적응 방법 및 장치 |
US11462215B2 (en) | 2018-09-28 | 2022-10-04 | Apple Inc. | Multi-modal inputs for voice commands |
WO2020188724A1 (ja) * | 2019-03-18 | 2020-09-24 | 富士通株式会社 | 話者識別プログラム、話者識別方法、および話者識別装置 |
US11195545B2 (en) * | 2019-04-04 | 2021-12-07 | Qualcomm Incorporated | Method and apparatus for detecting an end of an utterance |
US11356488B2 (en) * | 2019-04-24 | 2022-06-07 | Cisco Technology, Inc. | Frame synchronous rendering of remote participant identities |
US11227599B2 (en) | 2019-06-01 | 2022-01-18 | Apple Inc. | Methods and user interfaces for voice-based control of electronic devices |
US10997503B2 (en) * | 2019-06-20 | 2021-05-04 | Google Llc | Computationally efficient neural network architecture search |
US11061543B1 (en) | 2020-05-11 | 2021-07-13 | Apple Inc. | Providing relevant data items based on context |
US11508380B2 (en) * | 2020-05-26 | 2022-11-22 | Apple Inc. | Personalized voices for text messaging |
US11490204B2 (en) | 2020-07-20 | 2022-11-01 | Apple Inc. | Multi-device audio adjustment coordination |
US11438683B2 (en) | 2020-07-21 | 2022-09-06 | Apple Inc. | User identification using headphones |
JP7103681B2 (ja) * | 2020-12-18 | 2022-07-20 | 株式会社ミルプラトー | 音声認識プログラム、音声認識方法、音声認識装置および音声認識システム |
CN114550728B (zh) * | 2022-02-15 | 2024-03-01 | 北京有竹居网络技术有限公司 | 用于标记说话人的方法、装置和电子设备 |
CN114974264A (zh) * | 2022-04-15 | 2022-08-30 | 厦门快商通科技股份有限公司 | 一种基于改进的变分贝叶斯算法的话者分割方法和*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2797861B2 (ja) | 1992-09-30 | 1998-09-17 | 松下電器産業株式会社 | 音声検出方法および音声検出装置 |
JP3081108B2 (ja) | 1994-08-11 | 2000-08-28 | 株式会社トレンディ | 話者分類処理装置及び方法 |
US6246982B1 (en) * | 1999-01-26 | 2001-06-12 | International Business Machines Corporation | Method for measuring distance between collections of distributions |
US6434520B1 (en) * | 1999-04-16 | 2002-08-13 | International Business Machines Corporation | System and method for indexing and querying audio archives |
US20040260550A1 (en) * | 2003-06-20 | 2004-12-23 | Burges Chris J.C. | Audio processing system and method for classifying speakers in audio data |
JP2005321530A (ja) | 2004-05-07 | 2005-11-17 | Sony Corp | 発話識別装置および発話識別方法 |
US20070129946A1 (en) * | 2005-12-06 | 2007-06-07 | Ma Changxue C | High quality speech reconstruction for a dialog method and system |
JP4728972B2 (ja) | 2007-01-17 | 2011-07-20 | 株式会社東芝 | インデキシング装置、方法及びプログラム |
JP5834449B2 (ja) | 2010-04-22 | 2015-12-24 | 富士通株式会社 | 発話状態検出装置、発話状態検出プログラムおよび発話状態検出方法 |
CN103229233B (zh) * | 2010-12-10 | 2015-11-25 | 松下电器(美国)知识产权公司 | 用于识别说话人的建模设备和方法、以及说话人识别*** |
-
2014
- 2014-09-09 JP JP2014183652A patent/JP6350148B2/ja active Active
-
2015
- 2015-08-13 US US14/825,653 patent/US9536525B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024136409A1 (ko) * | 2022-12-19 | 2024-06-27 | 네이버 주식회사 | 화자 분할 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
US20160071520A1 (en) | 2016-03-10 |
US9536525B2 (en) | 2017-01-03 |
JP2016057461A (ja) | 2016-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6350148B2 (ja) | 話者インデキシング装置、話者インデキシング方法及び話者インデキシング用コンピュータプログラム | |
JP6303971B2 (ja) | 話者交替検出装置、話者交替検出方法及び話者交替検出用コンピュータプログラム | |
CN111418009B (zh) | 个性化说话者验证***和方法 | |
JP6679898B2 (ja) | キーワード検出装置、キーワード検出方法及びキーワード検出用コンピュータプログラム | |
US8612224B2 (en) | Speech processing system and method | |
JP2021527840A (ja) | 声紋識別方法、モデルトレーニング方法、サーバ、及びコンピュータプログラム | |
US20090119103A1 (en) | Speaker recognition system | |
WO2019102884A1 (ja) | ラベル生成装置、モデル学習装置、感情認識装置、それらの方法、プログラム、および記録媒体 | |
US20170236520A1 (en) | Generating Models for Text-Dependent Speaker Verification | |
WO2018051945A1 (ja) | 音声処理装置、音声処理方法、および記録媒体 | |
US11837236B2 (en) | Speaker recognition based on signal segments weighted by quality | |
Agrawal et al. | Prosodic feature based text dependent speaker recognition using machine learning algorithms | |
JP5229124B2 (ja) | 話者照合装置、話者照合方法およびプログラム | |
US10699224B2 (en) | Conversation member optimization apparatus, conversation member optimization method, and program | |
Ozaydin | Design of a text independent speaker recognition system | |
JP2020060757A (ja) | 話者認識装置、話者認識方法、及び、プログラム | |
KR101023211B1 (ko) | 마이크배열 기반 음성인식 시스템 및 그 시스템에서의 목표음성 추출 방법 | |
Larcher et al. | Constrained temporal structure for text-dependent speaker verification | |
Kłosowski et al. | Speaker verification performance evaluation based on open source speech processing software and timit speech corpus | |
US11996086B2 (en) | Estimation device, estimation method, and estimation program | |
JP5315976B2 (ja) | 音声認識装置、音声認識方法、および、プログラム | |
JP6078402B2 (ja) | 音声認識性能推定装置とその方法とプログラム | |
JP5626558B2 (ja) | 話者選択装置、話者適応モデル作成装置、話者選択方法および話者選択用プログラム | |
Cournapeau et al. | Voice activity detection based on high order statistics and online EM algorithm | |
CN118072717A (zh) | 语音识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170309 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180208 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180220 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180417 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180508 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180521 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6350148 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |