ある企業が、社内会議の録音から議事録を自動で作り、各発言に発言者の名前を付けたい。会議の参加者は、事前に声を登録した社員10人の中から毎回選ばれる。この仕組みに関する説明として、最も適切なものを1つ選べ。
正解と解説を見る
解説
正解 A
この問題の論点：話者識別と音声認識の違い
ポイント
音声認識と話者識別は、「何を話したか」と「誰が話したか」という異なる情報を、同じ音声から推定します。
選択肢ごとの解説
- A
適切 正解
音声認識は「何を話したか」を推定し、話者による声の違いはなるべく無視します。話者識別は「誰が話したか」を推定し、声道の長さや形などによる声の個人差を手がかりにします。目的が異なるため、それぞれに合った特徴やモデルが使われます。
- B
不適切
発話の内容によらず声の特徴だけで話者を判定する方式を、テキスト独立型と呼びます。会議のように話す内容が決まっていない場面では、こちらを使います。読み上げる文を固定するテキスト依存型は、合言葉による本人確認などで使われます。
- C
不適切
音声認識にとって、話者による声質の違いは単語の判別を難しくするばらつきです。多様な話者のデータで学習し、声質の差に左右されにくいモデルを作ることが、精度を上げる基本になります。
- D
不適切
登録済みの話者から選ぶ話者識別では、登録されていない人の名前は出力できません。どの登録者とも一致しない声を「未登録」とする判定を加えないと、声の似た社員の発言として誤って記録されるおそれがあります。
補足
登録済みの複数の話者のうち誰の声かを選ぶ処理が、話者識別です。これに対し、名乗った本人と同じ声かどうかを判定する処理は話者照合と呼ばれ、電話窓口の本人確認などで使われます。近年は、話者の特徴を表す固定長のベクトルを、ニューラルネットワークで音声から取り出す方法が広く使われています。
試験での狙われ方
話者識別と音声認識の目的の違いや、話者の情報を使う場面を、業務の例に当てはめて問う形が見られます。