| 講演名 | 2024-02-29 話者照合のための声道長摂動に基づく疑似話者生成によるデータ拡張 若松 智花(都立大), 塩田 さやか(都立大), 貴家 仁志(都立大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 近年主流となっている深層学習モデルを用いた話者照合システムにおいて，信頼性の高いモデルを構築するためには大量の学習データが必要であり，データ拡張の適用が必要不可欠である．一般的に，ノイズを重畳することで発話数を増加させるデータ拡張手法が用いられることが多く，ほとんどの既存研究でその有効性が示されている．一方で，話者照合システムの性能は話者埋め込みベクトルの抽出器として用いる話者埋め込みネットワークの分類性能に依存することが知られており，学習データに含まれる話者数も性能の向上のために重要な要因の一つであるといえる．そこで本稿では，声道長の伸縮による話者性の変化に基づく疑似話者の生成を用いた話者数に対するデータ拡張手法を提案する．また，話者性の変化量が不十分な疑似話者の生成がかえって精度の低下に繋がる可能性を考慮し，話者性の変化量が十分な話者を選択するという手法についても検証した．x-vectorに基づく話者照合において提案するデータ拡張手法の有効性を検証した結果，全ての疑似話者を使用する場合と比べて話者性の変化量を考慮した場合に話者照合の精度が向上したことが確認できた．さらに，提案する疑似話者拡張手法と従来のノイズ重畳による発話数の拡張を組み合わせることでデータ拡張の効果がより高くなり，JTubeSpeech-ASVデータベースのテストセットにおいて5.7%のEERを記録したことを報告する． |
| 抄録(英) | In recent years, deep neural network (DNN)-based automatic speaker verification (ASV) systems have become mainstream. Data augmentation is an essential technique, as large amounts of training data are required to construct reliable ASV systems. It is well known that data augmentation increases the number of utterances by adding noise and is effective in most methods. However, it is known that the performance of ASV systems depends on the performance of the speaker embedding network used as the extractor of speaker embeddings. For this reason, the number of speakers in the training data is also an important factor for improving performance. Thus, we propose a method called pseudo-speaker augmentation, which utilizes a technique called vocal tract length (VTL) warping. Considering the possibility that generating pseudo-speakers with insufficient change in speaker characteristics may lead to a decrease in accuracy, we also examined the case where only using some speakers with a sufficient change of characteristics. In our experiments, the performance of the ASV system based on x-vector was improved when changes in speaker characteristics were taken into account. Furthermore, the highest performance was achieved in the system applying both the proposed pseudo-speaker augmentation and conventional utterance augmentation method, achieving an equal error rate of 5.7% on the JTubeSpeech-ASV database. |
| キーワード(和) | 話者照合 / x-vector / データ拡張 / 声道長摂動 |
| キーワード(英) | automatic speaker verification / x-vector / data augmentation / vocal tract length perturbation |
| 資料番号 | EA2023-61,SIP2023-108,SP2023-43 |
| 発行日 | 2024-02-22 (EA, SIP, SP) |
| 研究会情報 | |
| 研究会 | SIP / SP / EA / IPSJ-SLP |
|---|---|
| 開催期間 | 2024/2/29(から2日開催) |
| 開催地（和） | 沖縄産業支援センター |
| 開催地（英） | |
| テーマ（和） | 音声，応用／電気音響, 信号処理，一般 |
| テーマ（英） | |
| 委員長氏名（和） | 仲地 孝之(琉球大) / 戸田 智基(名大) / 小野 順貴(都立大) |
| 委員長氏名（英） | Takayuki Nakachi(Ryukyu Univ.) / Tomoki Toda(Nagoya Univ.) / Junki Ono(Tokyo Metropolitan Univ.) |
| 副委員長氏名（和） | 市毛 弘一(横浜国大) / 西川 清史(都立大) / / 西浦 敬信(立命館大) / 梶川 嘉延(関西大) |
| 副委員長氏名（英） | Koichi Ichige(Yokohama National Univ.) / Kiyoshi Nishikawa(okyo Metropolitan Univ.) / / Takanobu Nishiura(RitsumeikanUniv.) / Yoshinobu Kajikawa(Kansai Univ.) |
| 幹事氏名（和） | 今泉 祥子(千葉大) / 京地 清介(工学院大) / 安藤 厚志(NTT) / 橋本 佳(名工大) / 若山 圭吾(NTT) / 伊藤 信貴(東大) |
| 幹事氏名（英） | Shoko Imaizumi(Chiba Univ.) / Seisuke Kyochi(Kogakuin Univ.) / Atsushi Ando(NTT) / Kei Hashimoto(Nagoya Inst. of Tech.) / Keigo Wakayama(NTT) / Nobutaka Ito(Univ. of Tokyo) |
| 幹事補佐氏名（和） | 吉田 太一(電通大) / 塩田 さやか(都立大) / 相原 龍(三菱電機) / 齋藤 大輔(東大) / 中山 雅人(阪産大) / 矢田部 浩平(東京農工大) |
| 幹事補佐氏名（英） | Taichi Yoshida(UEC) / Sayaka Shiota(Tokyo Metropolitan Univ.) / Ryo Aihara(Mitsubishi Electric) / Daisuke Saito(Univ. of Tokyo) / Masato Nakayama(OSU) / Kouhei Yatabe(TUAT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Signal Processing / Technical Committee on Speech / Technical Committee on Engineering Acoustics / Special Interest Group on Spoken Language Processing |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 話者照合のための声道長摂動に基づく疑似話者生成によるデータ拡張 |
| サブタイトル（和） | |
| タイトル（英） | Vocal tract length perturbation-based pseudo-speaker augmentation for automatic speaker verification |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 話者照合 / automatic speaker verification |
| キーワード(2)（和/英） | x-vector / x-vector |
| キーワード(3)（和/英） | データ拡張 / data augmentation |
| キーワード(4)（和/英） | 声道長摂動 / vocal tract length perturbation |
| 第 1 著者 氏名（和/英） | 若松 智花 / Tomoka Wakamatsu |
| 第 1 著者 所属（和/英） | 東京都立大学(略称：都立大) Tokyo Metropolitan University(略称：Tokyo Metropolitan Univ.) |
| 第 2 著者 氏名（和/英） | 塩田 さやか / Sayaka Shiota |
| 第 2 著者 所属（和/英） | 東京都立大学(略称：都立大) Tokyo Metropolitan University(略称：Tokyo Metropolitan Univ.) |
| 第 3 著者 氏名（和/英） | 貴家 仁志 / Hitoshi Kiya |
| 第 3 著者 所属（和/英） | 東京都立大学(略称：都立大) Tokyo Metropolitan University(略称：Tokyo Metropolitan Univ.) |
| 発表年月日 | 2024-02-29 |
| 資料番号 | EA2023-61,SIP2023-108,SP2023-43 |
| 巻番号（vol） | vol.123 |
| 号番号（no） | EA-401,SIP-402,SP-403 |
| ページ範囲 | pp.1-6(EA), pp.1-6(SIP), pp.1-6(SP), |
| ページ数 | 6 |
| 発行日 | 2024-02-22 (EA, SIP, SP) |