| 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］人格,対話文脈,VADスコアを用いた音声感情認識のデータ拡張の検討 ○山川 祥・佐々木多希子（武蔵野大）  SP2026-1 |
|
| 抄録 | （和） | 音声感情認識では, 感情ラベル付き音声データの収集が難しく, データ不足やクラス不均衡が課題となる. 本研究では, IEMOCAPを対象として, 大規模言語モデルを用いて人格情報, VADスコア, および対話文脈長を条件とした感情応答文を生成し.これをTTSにより音声化することで合成音声データ拡張を行う. 具体的には, Personaの有無, VADの有無, および会話の文脈の長さを変化させた複数条件を比較し, wav2vec 2.0に基づくSERモデルの性能への影響を検証した. 実験の結果, PersonaとVADを用い, 直前の文脈を用いる条件でBaselineを上回る性能が得られた. 一方で, 文脈長を増やした条件やVADのみを用いた条件では性能が低下した. これらの結果から, SER向け合成音声データ生成では, 感情ラベルのみでなく, 話者属性と適切な長さの対話文脈を組み合わせた条件設計が重要である可能性が示された. |
| （英） | In speech emotion recognition, collecting speech data labelled with emotions is difficult, and data scarcity and class imbalance pose significant challenges. In this study, using IEMOCAP as the dataset, we generated emotional response sentences based on personality information, VAD scores, and dialogue context length using a large-scale language model. We then expanded the synthetic speech data by converting these sentences into speech via TTS. Specifically, we compared multiple conditions by varying the presence or absence of Persona and VAD, as well as the context length k, and verified the impact on the performance of the SER model based on wav2vec 2.0. The experimental results showed that performance exceeding the baseline was achieved under conditions utilising both persona and VAD, with a context length of k=1. Conversely, performance declined under conditions with increased context length or those utilising VAD alone. These results suggest that, for the generation of synthetic speech data for SER, it may be important to design conditions that combine not only emotion labels but also speaker attributes and dialogue contexts of appropriate length. | |
| キーワード | （和） | 音声感情認識 / データ拡張 / 合成音声 / 大規模言語モデル / ペルソナ / VAD / / |
| （英） | Speech Emotion Recognition / Data Augmentation / Text To Speech / Large Language Models / Persona / VAD / / | |
| 文献情報 | 信学技報, vol. 126, no. 58, SP2026-1, pp. 1-6, 2026年6月. | |
| 資料番号 | SP2026-1 | |
| 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 | SP2026-1 |
|
| 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） | 人格,対話文脈,VADスコアを用いた音声感情認識のデータ拡張の検討 |
| サブタイトル（和） | |
| タイトル（英） | A Study on Data Augmentation for Speech Emotion Recognition Using Personality, Conversational Context and VAD Scores |
| 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） | データ拡張 / Data Augmentation |
| キーワード(3)（和/英） | 合成音声 / Text To Speech |
| キーワード(4)（和/英） | 大規模言語モデル / Large Language Models |
| キーワード(5)（和/英） | ペルソナ / Persona |
| キーワード(6)（和/英） | VAD / VAD |
| 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） | 山川 祥 / Sho Yamakawa / ヤマカワ ショウ |
| 第1著者 所属（和/英） | 武蔵野大学 (略称： 武蔵野大) Musashino University (略称： Musashino Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 佐々木 多希子 / Takiko Sasaki / |
| 第2著者 所属（和/英） | 武蔵野大学 (略称： 武蔵野大) Musashino University (略称： Musashino Univ.) |
| 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 | SP2026-1 |
| 巻番号（vol） | vol.126 |
| 号番号（no） | no.58 |
| ページ範囲 | pp.1-6 |
| 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]