音声に関する技術をまとめる~AIとのコミュニケーションツール~

　音声とは、「人の声」のことです。
　人工知能(AI)の進化が目覚しいですが、そのインターフェースも日々進化しています。
　私のよく知るAIは、カメラやディスプレイによる、映像を通したコミュニケーションは得意な気がします。

　心理学におけるメラビアンの法則曰く、人のコミュニケーションにおける情報は視覚情報55％、聴覚情報38％、言語情報7％で伝達されるそうです。
　全体の半分以下にはなりますが、音声にかかわる技術の進歩はAIの進化に必須だと思います。

(出典: Person of Interest Wiki)
AIをテーマにした米テレビドラマ『Person of Interest』のAIは、優れた知能を持つ一方、人間とのコミュニケーションは難ありでした。
面白くておススメです。

今は「アレクサ、今日の天気教えて」くらいが限界だと思ってますが、もっとくだけた雑談とかもできるようになってほしいです。
AI自体の進化も待ち遠しいです。

　この記事では、そんなAIとのコミュニケーションに必須な音声に関する技術をまとめていこうと思っています。
近年ではやはり機械学習を用いたものが増えていると思います。
このような技術の基礎になる基本的な音声処理について、以前少しまとめました⇓

pythonで音響信号の特徴抽出方法まとめ

このサイトでは音声などの音響信号についての特徴抽出手法を実際にやってみています。最近深層学習を用いた異常検知等が流行っており、音などの信号から特徴を抽出する手法が多く考えられてきました。このページでは簡単なものから近年よく用いられる...

認識技術
生成技術
1. 音声合成(Speech synthesis)
2. 音質変換(voice conversion)

認識技術

音声認識(speech recognition)

音声認識は音声からその内容(文章)を認識する技術です。
SiriやGoogle Assistant、Alexaがやってくれます。
現状触れる機会のとても多い技術だと思います。
GoogleのAPIを用いて試したことがあります。

pythonでマイクを用いた音声認識

今回はpythonで音声認識をします。マイクで入力した音声を文字に変換します。本当に簡単にやってみるだけです。色々なことに応用できそうです。 SpeechRecognitionで音声認識 pythonのライブラリのSpeec...

感情認識(speech emotion recognition)

音声感情認識は、音声から感情を認識する技術です。
怒っている声、悲しんでいる声などを認識します。
以前試したことがありますがまだまだ難しいです。
メルスペクトログラムと機械学習を組み合わせる手法を試しましたがまだ難ありです。

pythonで音声から感情認識~メルスペクトログラム&CNN~

今回はpythonを用いて音声データから感情認識(Emotion Recognition)をやってみます。感情認識は音声から話者の感情を認識する技術のことです。 ariXivの論文を参考に実装してみました。精度よく...

話者認識(speaker recognition)

話者認識(Speaker Recognition)というと、話者識別(Speaker Identification)と話者照合(Speaker Verification)の2つがあります。
漢字、英語の意味通り、複数の話者のデータから、誰の声かを識別するのが話者識別で、話者が本人か否かを確認するのが話者照合です。

話者識別は様々な方法で行うことができます。