文献

J-GLOBAL ID：201502205192894230   整理番号：15A0830599

ビデオ通話における音声および表情特徴量を用いた話者変換の検討

A study on speaker conversion using speech and expression features for video chatting

著者 (4件)： 齋藤優貴 (東北大 大学院工学研究科) ,  能勢隆 (東北大 大学院工学研究科) ,  篠崎隆宏 (東京工大 大学院総合理工学研究科) ,  伊藤彰則 (東北大 大学院工学研究科)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 115  号： 38(EMM2015 1-16)  ページ： 45-50  発行年： 2015年05月14日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
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： 本稿では,ビデオ通話において話者(元話者)の顔画像の個人性を別の話者(目標話者)のものに変換する手法を2つ提案する。提案法1では,あらかじめ元話者と目標話者の発話を学習データとして用意し,これから音声特徴量と顔画像特徴量を抽出する。この際,顔画像特徴量はピクセルデータに対し主成分分析をして次元圧縮をしたものを使用する。提案法2では,Kinect v2を用いて目標話者の顔画像の収録を行い,表情特徴量と顔画像特徴量を抽出する。表情特徴量はAnimation Unitパラメータを使用し,顔画像特徴量は提案法1と同様の手法を用いる。これらの提案法において特徴量をニューラルネットワークで学習し変換を行った。この結果,提案法1では,顔の概形は変換できたものの口の動きは変換することができなかった。提案法2では,顔の概形や口の動きが若干変換することができている一方で,顔画像の劣化が大きいという結果となった。(著者抄録)

シソーラス用語： 顔画像 ,  変換 ,  *表情 ,  音声 ,  情報 ,  ニューラルネットワーク ,  主成分分析 ,  *人間 ,  動画像 ,  *通話 ,  特徴量
準シソーラス用語： *話者

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S) ,  データ保護  (JD01020V)

引用文献 (14件)：

• Mehrabian Albert. Silent messages. Wadsworth Publishing Company, Oxford, England, 1971.
• 佐藤翔悟,北原格,大田友一.拡張現実感による顔表情操作を用いたビデオ通話方式(¡特集¿ サービス現場・日常生活に浸透するvr/ar).日本バーチャルリアリティ学会論文誌, Vol.19, No.3, pp.329-338, sep 2014.
• 佐藤広英,太幡直也.プライバシー意識とプライバシーの捉え方の関係.パーソナリティ研究,Vol.19,No.3,pp.281-283,2011.
• A. Kain and M.W. Macon. Spectral voice conversion for text-to-speech synthesis. In Acoustics, Speech and Signal Processing, 1998. Proceedings of the 1998 IEEE International Conference on, Vol. 1, pp. 285-288 vol.1, May 1998.
• T. Toda, A.W. Black, and K. Tokuda. Voice conversion based on maximum-likelihood estimation of spectral parameter trajectory. Audio, Speech, and Language Processing, IEEE Transactions on, Vol. 15, No. 8, pp. 2222-2235, Nov 2007.

タイトルに関連する用語 (5件)： ビデオ通話 ,  音声 ,  表情 ,  特徴量 ,  話者