話者識別

話者認識の中での位置づけ

話者識別(Speaker Identification)は、話者認識(speaker recognition)の下位タスクの一つです。話者認識とは、話している人が誰であるかを識別するタスク全般を指します。話者認識は、一般に話者照合(speaker verification)と話者識別という二つの下位タスクに分けて扱われます。

話者識別では、ある話者の声を、多数の話者の声を登録したデータベースと照合し、その声がN人のうちどの人のものかを決めます。つまり、候補の中から1人を選ぶ1 of Nの決定を行うタスクです。候補となる話者が多いほど、選ぶ先の選択肢が増えることになります。

話者照合との違い

話者識別と対になるのが話者照合です。話者照合は、入力された声が特定の人物Xの声であるかどうかを判定するタスクで、答えはYesかNoの二値の決定になります。たとえば、電話で個人情報にアクセスするときの本人確認のように、セキュリティの場面で使われます。

両者の違いは、問いの形にあります。話者照合は、この声はXさんのものか、という一人の人物についての真偽を問います。話者識別は、この声はデータベースの誰のものか、という多数の候補からの選択を問います。前者は本人かどうかの確認、後者は誰であるかの特定と整理すると区別しやすくなります。

関連するタスクとしての話者ダイアライゼーション

話者識別や話者照合と混同しやすい関連タスクに、話者ダイアライゼーション(speaker diarization)があります。これは、複数の話者が話す長時間の録音の中で、誰がいつ話したかを判定するタスクです。やり取りの中で各話者の発話の番が始まる位置と終わる位置に印を付けます。会議、教室での発話、医療の場面でのやり取りを書き起こすときに役立ちます。

ダイアライゼーションの仕組みとしては、まず音声区間検出(VAD)で連続した発話の区間を見つけ、次に各区間から話者埋め込みベクトルを抽出し、そのベクトルをクラスタリングして同じ話者らしい区間をまとめる、という手順がよく使われます。話者識別が一つの声を登録済みの話者に当てはめるのに対し、ダイアライゼーションは一つの録音を話者ごとの区間に分けてまとめる点が異なります。

音声合成の評価での利用

話者認識の技術は、音声合成(TTS)の評価にも使われます。TTSシステムが出力した声が、登録した声にどれだけ似ているかを測りたいとき、この問題を話者照合のタスクとみなして扱うことができます。二つの声を話者照合のシステムに渡し、その結果のスコアを類似度のスコアとして使います。話者を見分ける技術が、生成した声の品質を測る道具にもなるということです。