| 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 | 2026-06-05 14:00 ［ポスター講演］音声SSLモデルの潜在特徴の再構成に基づく音声感情認識の検討 ○橋本 空・山田武志（筑波大）  SP2026-8 |
|
| 抄録 | （和） | 近年の音声感情認識手法の大半は，各感情クラスに対してソフトマックス確率を出力する識別モデルに基づいている．しかし，各感情クラスの学習データ数を揃える必要があり，また学習後に感情クラスの追加や削除が困難であるといった問題がある．これまでに我々はこのような問題を解決するために，入力音声から抽出した潜在特徴の再構成に基づく音声感情認識手法を提案した．これは，感情クラス毎に潜在特徴を再構成するオートエンコーダを用意し，入力音声に対する再構成誤差が最も小さい感情クラスを認識結果とするものである．再構成対象の潜在特徴を別途学習した識別モデルから抽出した場合，再構成モデルの認識性能は識別モデルと同等であることを確認したものの，再構成対象とするのはより汎用的な潜在特徴であることが望ましい．そこで本稿では，潜在特徴にWavLM，再構成モデルと損失関数にLSTMオートエンコーダとコサイン類似度を適用した手法を提案する．音声感情認識の代表的なベンチマークであるIEMOCAPを用いて提案手法の有効性を評価した結果，性能面において再構成モデルを識別モデルの代替として利用できる可能性を確認した． |
| （英） | Most recent speech emotion recognition methods are based on classification models that output softmax probabilities for the target emotion classes. However, this approach requires a balanced number of training data for each emotion class, and it is difficult to add or remove emotion classes after training.To address these issues, we have previously proposed a speech emotion recognition method based on the reconstruction of latent features extracted from the input speech. This method employs an autoencoder that reconstructs latent features for each emotion class, and recognises the emotion class with the smallest reconstruction error relative to the input speech as the result. Although we confirmed that the recognition performance of the reconstruction model is comparable to that of the classification model when the latent features to be reconstructed are extracted from a separately trained classification model, it is desirable to use more general latent features as the reconstruction target.Therefore, in this paper, we propose a method that utilises WavLM as the latent features, and applies an LSTM autoencoder and cosine similarity to the reconstruction model and loss function, respectively. We evaluated the effectiveness of the proposed method using IEMOCAP, a representative benchmark for speech emotion recognition, and confirmed that the reconstruction model has the potential to be used as an alternative to the classification model in terms of performance. | |
| キーワード | （和） | 音声感情認識 / 再構成モデル / 音声SSLモデル / LSTMオートエンコーダ / コサイン類似度 / / / |
| （英） | Speech Emotion Recognition / Reconstruction Model / Self-Supervised Models / LSTM Autoencoder / Cosine Siimilarity / / / | |
| 文献情報 | 信学技報, vol. 126, no. 58, SP2026-8, pp. 43-48, 2026年6月. | |
| 資料番号 | SP2026-8 | |
| 発行日 | 2026-05-29 (SP) | |
| ISSN | 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 | SP2026-8 |
|
| 研究会情報 | |
| 研究会 | SP IPSJ-SLP IPSJ-MUS |
| 開催期間 | 2026-06-05 - 2026-06-06 |
| 開催地（和） | 電気通信大学 |
| 開催地（英） | The University of Electro-Communications |
| テーマ（和） | 音学シンポジウム2026 |
| 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 | 2026-06-SP-SLP-MUS |
| 本文の言語 | 日本語 |
| タイトル（和） | 音声SSLモデルの潜在特徴の再構成に基づく音声感情認識の検討 |
| サブタイトル（和） | |
| タイトル（英） | Speech Emotion Recognition Based on Reconstruction of Latent Features in Self-Supervised Speech Models |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 音声感情認識 / Speech Emotion Recognition |
| キーワード(2)（和/英） | 再構成モデル / Reconstruction Model |
| キーワード(3)（和/英） | 音声SSLモデル / Self-Supervised Models |
| キーワード(4)（和/英） | LSTMオートエンコーダ / LSTM Autoencoder |
| キーワード(5)（和/英） | コサイン類似度 / Cosine Siimilarity |
| 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） | 橋本 空 / Sora Hashimoto / ハシモト ソラ |
| 第1著者 所属（和/英） | 筑波大学 (略称： 筑波大) University of Tsukuba (略称： Univ. Tsukuba) |
| 第2著者 氏名（和/英/ヨミ） | 山田 武志 / Takeshi Yamada / ヤマダ タケシ |
| 第2著者 所属（和/英） | 筑波大学 (略称： 筑波大) University of Tsukuba (略称： Univ. Tsukuba) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-06-05 14:00:00 |
| 発表時間 | 180分 |
| 申込先研究会 | SP |
| 資料番号 | SP2026-8 |
| 巻番号（vol） | vol.126 |
| 号番号（no） | no.58 |
| ページ範囲 | pp.43-48 |
| ページ数 | 6 |
| 発行日 | 2026-05-29 (SP) |
[研究会発表申込システムのトップページに戻る]