音声の音源-調音分解を用いた自己教師あり表現学習

• 研究課題/領域番号: 24K02967
• 研究種目: 基盤研究(B)
• 配分区分: 基金
• 応募区分: 一般
• 審査区分: 小区分61010:知覚情報処理関連
• 研究機関: 国立研究開発法人産業技術総合研究所
• 研究代表者: 佐宗 晃 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 研究チーム長 (50318169)
• 研究分担者: ATMAJA TrisBagus 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 研究員 (70977032)
• 研究期間 (年度): 2024-04-01 – 2027-03-31
• 研究課題ステータス: 交付 (2024年度)
• 配分額: 13,650千円 (直接経費: 10,500千円、間接経費: 3,150千円); 2026年度: 4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円); 2025年度: 4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円); 2024年度: 4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
• キーワード: 調音・音源分離 / 自己教師あり表現学習 / AR-HMM / SSL

研究開始時の研究の概要

音声生成過程の古典的なモデルであるソース・フィルタモデルに従い、音声を声帯振動による音源と、声道による調音フィルタという互いに独立な物理的構成要素に分解する前処理の実施を考える。そして、それぞれの時系列に対して自己教師あり表現学習を適用すれば、音源と調音フィルタという物理的な意味合いが明確に区別できる構成要素毎に事前学習モデルが得られると共に、下流タスクに必要な情報を保持している特徴量の取捨選択も容易になると期待できる。