文献

J-GLOBAL ID：201002217946923054   整理番号：10A1096885

ロボットを対象とした二階層視聴覚統合音声認識システム

Audio-Visual Speech Recognition System for Robots Based on Two-Layered Audio-Visual Integration Framework

著者 (4件)： 吉田尚水 (東京工大 大学院情報理工学研究科) ,  中臺一博 (東京工大 大学院情報理工学研究科) ,  中臺一博 (ホンダ・リサーチ・インスティチュート・ジャパン) ,  奥乃博 (京大 大学院情報学研究科)
資料名： 日本ロボット学会誌  (ロボ學)
巻： 28  号： 8  ページ： 970-977  発行年： 2010年10月15日 
JST資料番号： Y0482A  ISSN： 0289-1824  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ホームロボットやサービスロボットのように日常環境での人間と音声によるコミュニケーションが望まれるロボットでは,雑音に頑健な音声認識機能が求められる。本稿は実環境においてロボットに搭載されたカメラとマイクからの情報を用いて音声認識の対雑音頑健性を向上させる。実環境では,音響信号のSNRが低い,話者・雑音源が同時に複数存在する,ロボットの発する動作音が存在する,取得できる顔画像の解像度が低下する,話者の顔の向きが変化する,ロボット・話者が動いている,など様々な困難がある。音声発生区間検出,発話動作区間検出,視聴覚統合発話区間検出等について説明する。視覚特徴量抽出ブロック,聴覚特徴量抽出ブロック等,ニ階層視聴覚統合に言及する。

シソーラス用語： *ロボット ,  *システム ,  音声認識 ,  発話 ,  検出 ,  音声処理 ,  統合 ,  視覚 ,  聴覚 ,  *音声認識システム ,  視聴覚統合
準シソーラス用語： 音声区間検出 ,  *二階層視聴覚統合

分類 (1件)： ロボットの設計・製造・構造要素  (IC04013A)

引用文献 (24件)：

• NAKADAI, K. Active audition for humanoid. Proc. of 17th National Conference on Artificial Intelligence (AAAI-2000). 2000, 832-839
• YAMAMOTO, S. Real-time robot audition system that recognizes simultaneous speech in the real world. Proc. of IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2006). 2006, 5333-5338
• FISCUS, J. G. A post-processing systems to yield reduced word error rates : Recognizer output voting error reduction (ROVER). Proc. of the Workshop on Automatic Speech Recognition and Understanding (ASRU-97). 1997, 347-354
• POTAMIANOS, G. A cascade visual front end for speaker independent automatic speechreading. International Journal of Speech Technology, Special Issue on Multimedia. 2001, 4, 3-4, 193-208
• TAMURA, S. A stream-weight optimization method for multi-stream HMMs based on likelihood value normalization. Proc. of IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP-05). 2005, SP-P5.2

タイトルに関連する用語 (4件)： ロボット ,  階層 ,  視聴覚統合 ,  音声認識システム