話者識別とは

話者識別は、声を手がかりに「誰が話しているか」を推定する技術です。同じ音声から「何を話したか」を推定する音声認識とは、目的が異なります。音声認識は話者による声の違いをなるべく無視し、話者識別は逆にその違いを手がかりにします。

話者照合との違い

声で人を見分ける技術は、まとめて話者認識と呼ばれ、大きく2つに分かれます。

• 話者識別：登録済みの複数の話者のうち、誰の声かを選ぶ（1対多）。会議の発言者の特定などに使います。
• 話者照合：名乗った本人の声かどうかを判定する（1対1）。電話窓口などでの本人確認に使います。

決まった文を読み上げるテキスト依存型と、話す内容を問わないテキスト独立型という分け方もあります。また、録音のどの区間を誰が話したかを推定する処理は、話者ダイアライゼーションと呼ばれます。

しくみの移り変わり

声の個人差は、声の高さだけでなく、声道の長さや形にも表れます。そのため、MFCCなどスペクトル包絡を表す特徴量がよく使われます。1990年代には、話者ごとの特徴量の分布を混合ガウスモデル（GMM）で表す方法が広まりました。2018年のx-vectorは、ニューラルネットワークを使い、長さの異なる発話から、話者の特徴を表す固定長のベクトルを取り出します。このベクトルどうしを比べて、同じ話者かどうかを判断します。

注意点

録音の再生や、音声合成・声質変換で作った声によるなりすましが課題です。また、声帯の振動や声道の形状といった声の特徴を、特定の個人を識別できる水準でコンピュータで扱えるように変換した符号は、個人情報保護法の個人識別符号に当たります（同法2条2項1号、同法施行令1条1号ニ）。これを含む情報は、それだけで個人情報です（同法2条1項2号）。利用目的をできる限り特定する（同法17条1項）など、法律に沿った扱いが必要です。

覚え方

「識別は誰かを選ぶ、照合は本人かを確かめる」と覚えます。