| 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］拡散モデルを用いた自己教師あり事前学習による頑健な話者特徴表現の獲得 ○三輪海斗・篠田浩一（Science Tokyo）  SP2026-11 |
|
| 抄録 | （和） | 近年、深層学習に基づく話者認識は高精度化しており、ECAPA-TDNN などの話者埋め込み抽出器が広く 用いられている。 一方で、高性能な話者埋め込みの獲得は話者ラベルを用いた教師あり学習に強く依存しており、 話者認識に適した自己教師あり事前学習の設計は重要な課題である。 本研究では、拡散モデルによるメルスペクト ログラム復元を自己教師あり事前学習として用い、話者埋め込み抽出器を学習する手法を提案する。 DiffVC 型の条 件付き拡散モデルに ECAPA-TDNN を組み込み、復元に必要な話者情報を埋め込みへ反映させる。 VoxCeleb1-O によ る評価では、事前学習後のファインチューニングにより教師ありベースラインを上回る性能を得た。 |
| （英） | In recent years, speaker recognition based on deep learning has become highly accurate, and speaker embedding extractors such as ECAPA-TDNN are widely used. On the other hand, acquiring high-performance speaker embeddings strongly depends on supervised learning using speaker labels, making the design of self-supervised pre-training suitable for speaker recognition an important challenge. In this study, we propose a method to train a speaker embedding extractor using Mel-spectrogram restoration via diffusion models as self-supervised pre-training. By incorporating ECAPA-TDNN into a DiffVC-style conditional diffusion model, we reflect the speaker information necessary for restoration into the embeddings. Evaluations using VoxCeleb1-O showed that performance exceeding the supervised baseline was achieved through fine-tuning after pre-training. |
|
| キーワード | （和） | 話者認識 / 話者検証 / 自己教師あり学習 / 拡散モデル / ECAPA-TDNN / DiffVC / / |
| （英） | Speaker recognition / Speaker verification / Self-supervised learning / Diffusion model / ECAPA-TDNN / DiffVC / / | |
| 文献情報 | 信学技報, vol. 126, no. 58, SP2026-11, pp. 61-65, 2026年6月. | |
| 資料番号 | SP2026-11 | |
| 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 | SP2026-11 |
|
| 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） | 拡散モデルを用いた自己教師あり事前学習による頑健な話者特徴表現の獲得 |
| サブタイトル（和） | |
| タイトル（英） | Robust Speaker Representation Learning via Self-Supervised Pre-training Using Diffusion Models |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 話者認識 / Speaker recognition |
| キーワード(2)（和/英） | 話者検証 / Speaker verification |
| キーワード(3)（和/英） | 自己教師あり学習 / Self-supervised learning |
| キーワード(4)（和/英） | 拡散モデル / Diffusion model |
| キーワード(5)（和/英） | ECAPA-TDNN / ECAPA-TDNN |
| キーワード(6)（和/英） | DiffVC / DiffVC |
| 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） | 三輪 海斗 / Kaito Miwa / ミワ カイト |
| 第1著者 所属（和/英） | 東京科学大学 (略称： Science Tokyo) Institute of Science Tokyo (略称： Science Tokyo) |
| 第2著者 氏名（和/英/ヨミ） | 篠田 浩一 / Koichi Shinoda / シノダ コウイチ |
| 第2著者 所属（和/英） | 東京科学大学 (略称： Science Tokyo) Institute of Science Tokyo (略称： Science Tokyo) |
| 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 | SP2026-11 |
| 巻番号（vol） | vol.126 |
| 号番号（no） | no.58 |
| ページ範囲 | pp.61-65 |
| ページ数 | 5 |
| 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]