| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2008-12-09 11:40 音響情報と映像情報の統合による多人数会話における話者決定技術 ○石塚健太郎・荒木章子・大塚和弘・藤本雅清・中谷智広（NTT）  NLC2008-28 SP2008-83 |
|
| 抄録 | （和） | 本稿では，音響情報と映像情報を確率的に統合して用いることにより，多人数会話において「誰がいつ話したか」を推定する話者決定（Speaker Diarization）技術を提案する．音響情報と映像情報は，3本のマイクロホンからなる三角形のマイクロホンアレイと魚眼レンズを装備した2台のカメラから構成される，多人数会話分析のための小規模システムを用いて収録される．このシステムで収録されたデータを元に話者決定を実現するために，提案技術は音声区間検出技術，話者方向推定技術，顔画像追跡技術から得られる発話の存在確率，話者の存在確率，会話参加者の存在確率を統合して用いる．日常的な雑談を用いた実験により，提案手法の話者決定における有効性が確認された． |
| （英） | This paper proposes a speaker diarization method, which detects “who spoke when” in multi-party conversations, based on the probabilistic integration of audio and visual information. The audio and visual information is obtained from a compact system, which consists of two cameras with fisheye lenses and a triangular microphone array with three microphones, designed to analyze multi-party conversations. To realize speaker diarization, our proposed method utilizes the probability distributions of speech presence, speaker locations, and participants’ face locations obtained with a speech activity detector, a direction of arrival based speaker location detector, and a face tracker, respectively. An experiment using real casual conversations revealed the advantages of such integration. | |
| キーワード | （和） | 多人数会話分析 / 話者決定 / マルチモーダル / / / / / |
| （英） | Multi-party conversation analysis / Speaker diarization / Multimodal systems / / / / / | |
| 文献情報 | 信学技報, vol. 108, no. 338, SP2008-83, pp. 25-30, 2008年12月. | |
| 資料番号 | SP2008-83 | |
| 発行日 | 2008-12-02 (NLC, SP) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NLC2008-28 SP2008-83 |
|
| 研究会情報 | |
| 研究会 | SP NLC |
| 開催期間 | 2008-12-09 - 2008-12-10 |
| 開催地（和） | 早稲田大学（小野記念講堂） |
| 開催地（英） | Waseda Univ. |
| テーマ（和） | 第10回 音声言語シンポジウム （SP/NLC/SLP共催） |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2008-12-SP-NLC |
| 本文の言語 | 日本語 |
| タイトル（和） | 音響情報と映像情報の統合による多人数会話における話者決定技術 |
| サブタイトル（和） | |
| タイトル（英） | Speaker diarization of multi-party conversations based on audio and visual information integration |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 多人数会話分析 / Multi-party conversation analysis |
| キーワード(2)（和/英） | 話者決定 / Speaker diarization |
| キーワード(3)（和/英） | マルチモーダル / Multimodal systems |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 石塚 健太郎 / Kentaro Ishizuka / イシヅカ ケンタロウ |
| 第1著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone Corporation (略称： NTT) |
| 第2著者 氏名（和/英/ヨミ） | 荒木 章子 / Shoko Araki / アラキ ショウコ |
| 第2著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone Corporation (略称： NTT) |
| 第3著者 氏名（和/英/ヨミ） | 大塚 和弘 / Kazuhiro Otsuka / オオツカ カズヒロ |
| 第3著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone Corporation (略称： NTT) |
| 第4著者 氏名（和/英/ヨミ） | 藤本 雅清 / Masakiyo Fujimoto / フジモト マサキヨ |
| 第4著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone Corporation (略称： NTT) |
| 第5著者 氏名（和/英/ヨミ） | 中谷 智広 / Tomohiro Nakatani / ナカタニ トモヒロ |
| 第5著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone Corporation (略称： NTT) |
| 講演者 | 第1著者 |
| 発表日時 | 2008-12-09 11:40:00 |
| 発表時間 | 25分 |
| 申込先研究会 | SP |
| 資料番号 | NLC2008-28, SP2008-83 |
| 巻番号（vol） | vol.108 |
| 号番号（no） | no.337(NLC), no.338(SP) |
| ページ範囲 | pp.25-30 |
| ページ数 | 6 |
| 発行日 | 2008-12-02 (NLC, SP) |
[研究会発表申込システムのトップページに戻る]