JP2017097188A - 話者らしさ評価装置、話者識別装置、話者照合装置、話者らしさ評価方法、プログラム - Google Patents

Abstract

【課題】登録発話と認識発話の長さが極端に異なる場合であっても、頑健に話者を認識するための話者特徴ベクトルの類似度計算をする話者らしさ評価装置を提供する。
【解決手段】登録発話から登録発話の区間より短い区間を有する分割済登録発話を生成し、分割済登録発話から分割済登録発話話者特徴ベクトルを算出する分割済登録発話話者特徴ベクトル算出部１００１と、認識発話から認識発話話者特徴ベクトルを算出する認識発話話者特徴ベクトル算出部１００２と、認識発話話者特徴ベクトルと分割済登録発話話者特徴ベクトルを用いて認識発話と分割済登録発話の類似度を計算する類似度計算部１５０とを有する。
【選択図】図１０

Description

本発明は、音声による話者認識技術に関するものであり、特に話者特徴ベクトルの類似度を用いて話者認識する技術に関する。

音声による話者認識（以下、単に話者認識という）は、話者識別と話者照合に大別される。話者識別は、入力音声に対してその話者が事前登録した話者のうち誰にあたるかを判定する技術であり、例えば音声記録から犯罪者の声を探すことに利用されている。一方、話者照合は、入力音声に対してその話者が事前登録した話者であるかどうかを判定する技術であり、例えば本人確認に利用されている。また、話者照合と話者識別の両方を兼ね備える場合もあり、入力音声が事前登録話者に含まれるかを判定し（照合）、含まれる場合はどの登録話者かを判定する（識別）といった利用法も考えられる。いずれの場合も話者ごとに一発話以上の音声をシステムに事前登録する必要がある。

話者認識には、テキスト依存型とテキスト非依存型が存在する。テキスト依存型では、認識の際にユーザは所定の言葉を発する必要がある。一方、テキスト非依存型では、認識の際にユーザは任意の言葉を発してよい。

話者認識では、入力された音声信号全体から一つの話者特徴ベクトルを算出する技術が利用される。話者特徴ベクトルの求め方を以下に示す。入力された音声信号を数十ミリ秒の音響分析フレームに分割し、各音響分析フレームから抽出した音響特徴量ベクトルを時間順に並べた音響特徴量ベクトル系列を作成する。音響特徴量ベクトル系列から、事前学習しておいた話者特徴量抽出モデル、所定の混合正規分布（ＵＢＭモデル）に対して計算した０次統計量および１次統計量を利用して一つの話者特徴ベクトルを求める。これらの手順は、例えば非特許文献１に開示されている。話者特徴ベクトルは、話者特徴量抽出モデルの事前学習の際に個々の音声信号に対して話者を示すラベルが不要であるために学習が容易であること、どんな音声信号からも一つの話者特徴ベクトルを算出するため、言葉の種類や長さが異なるテキスト非依存型の話者認識でも利用可能であることなどの利点があり、話者認識において広く利用されている。

個々の入力音声から話者特徴ベクトルを算出できれば、話者認識は既存のクラス分類技術や外れ値検出技術を用いて簡単に実現できる。例えば、話者識別は、登録された話者特徴ベクトルと入力音声の話者特徴ベクトルとのコサイン類似度を求め、類似度が最大の登録された話者特徴ベクトルの話者名を返すことで実現できる。話者照合は、登録された話者特徴ベクトルと入力音声の話者特徴ベクトルとのコサイン類似度を求め、類似度の最大値が閾値以上であれば登録話者であると判定することで実現できる。

以下、図１〜図３を参照して従来技術の話者識別装置の概略を説明する。図１は、従来技術の話者識別装置８００の構成を示すブロック図である。図２は、従来技術の話者識別装置８００の動作を示すフローチャートである。図３は、従来技術の話者識別装置８００による識別発話の推定話者識別の例を示す図である。図１に示すように話者識別装置８００は、音響分析部８２０−１と、話者特徴ベクトル算出部８３０−１と、話者登録部８４０と、登録発話記録部８０３と、音響分析部８２０−２と、話者特徴ベクトル算出部８３０−２と、類似度計算部８５０と、話者識別部８７０を含む。話者識別装置８００は、ＵＢＭモデル記録部８０１と、話者特徴量抽出モデル記録部８０２とに接続している。

話者特徴ベクトルには、非特許文献１に記載のｉ−ｖｅｃｔｏｒを用いる。非特許文献１にあるように、ｉ−ｖｅｃｔｏｒの算出にはＵＢＭモデル、話者特徴量抽出モデルが必要となるが、これらのモデルは事前に学習しておき、それぞれＵＢＭモデル記録部８０１、話者特徴量抽出モデル記録部８０２に記録しておく。なお、ＵＢＭモデル、話者特徴量抽出モデルはそれぞれ非特許文献１のＴ、Σに対応するものである。

まず、登録発話を事前に記録する処理について説明する。登録発話とは、事前登録しておきたい話者の発話の音声信号のことであり、識別発話の話者を識別するために用いる。登録発話は１以上あるものとし、この登録発話をまとめて登録発話集合という。音響分析部８２０−１は、登録発話から登録発話の音響特徴量ベクトル系列を算出する（Ｓ８２０−１）。音響特徴量ベクトル系列は、先述の通り、登録発話を数十ミリ秒の音響分析フレームに分割し、各音響分析フレームから抽出した音響特徴量ベクトルを時間順に並べたものとして算出すればよい。話者特徴ベクトル算出部８３０−１は、音響分析部８２０−１の出力である登録発話の音響特徴量ベクトル系列から、ＵＢＭモデル記録部８０１、話者特徴量抽出モデル記録部８０２に記録しておいたＵＢＭモデル、話者特徴量抽出モデルを用いて登録発話の話者特徴ベクトルを算出する（Ｓ８３０−１）。話者特徴ベクトルの算出手順は先述の通りである。話者登録部８４０は、話者特徴ベクトル算出部８３０−１の出力である登録発話の話者特徴ベクトルと当該登録発話に対応する話者名とを組にして登録発話記録部８０３の登録発話データベースに登録する（Ｓ８４０）。話者名は先ほどの登録発話の話者を特定するための情報であり、人手で与えられるものである。

続いて、識別発話を識別する処理について説明する。識別発話とは、識別対象となる話者の発話の音声信号のことである。音響分析部８２０−２は、識別発話から識別発話の音響特徴量ベクトル系列を算出する（Ｓ８２０−２）。音響特徴量ベクトル系列の算出手順はＳ８２０−１と同様である。話者特徴ベクトル算出部８３０−２は、音響分析部８２０−２の出力である識別発話の音響特徴量ベクトル系列から、ＵＢＭモデル記録部８０１、話者特徴量抽出モデル記録部８０２に記録しておいたＵＢＭモデル、話者特徴量抽出モデルを用いて識別発話の話者特徴ベクトルを算出する（Ｓ８３０−２）。話者特徴ベクトルの算出手順はＳ８３０−１と同様である。類似度計算部８５０は、話者特徴ベクトル算出部８３０−２の出力である識別発話の話者特徴ベクトルと、登録発話データベースの各登録発話の話者特徴ベクトルとの類似度を計算する（Ｓ８５０）。類似度の計算には、例えば非特許文献１に記載のコサイン類似度を利用すればよい。ｗ_１, ｗ_２をそれぞれ識別発話の話者特徴ベクトル、登録発話の話者特徴ベクトルとすると、コサイン類似度ｃは以下の式により与えられる。

ここで、^ｔは転置を表す。つまり、類似度とは話者らしさを示す指標となるものであり、類似度としてコサイン類似度を採用した場合は類似度が大きいほど比較対象となる話者らしい（話者に似ている）といえる。類似度計算部８５０は、計算した類似度と登録発話の話者名とを組にして出力する。話者識別部８７０は、類似度計算部８５０の出力である類似度の中で最大となる類似度に登録発話の話者名を選択し、識別結果として出力する（Ｓ８７０）。

次に、図４〜図６を参照して従来技術の話者照合装置の概略を説明する。なお、話者識別装置８００の構成部と同じ機能を有する構成部には同じ番号を付し、重複説明を省略する。図４は、従来技術の話者照合装置９００の構成を示すブロック図である。図５は、従来技術の話者照合装置９００の動作を示すフローチャートである。図６は、従来技術の話者照合装置９００による照合発話の照合の例を示す図である。図４に示すように話者照合装置９００は、音響分析部８２０−１と、話者特徴ベクトル算出部８３０−１と、話者登録部９４０と、登録発話記録部９０３と、音響分析部８２０−２と、話者特徴ベクトル算出部８３０−２と、類似度計算部９５０と、話者照合部９７０を含む。話者照合装置９００は、話者識別装置８００と同様、ＵＢＭモデル記録部８０１と、話者特徴量抽出モデル記録部８０２とに接続している。

まず、登録発話を事前に記録する処理について説明する。音響分析部８２０−１及び話者特徴ベクトル算出部８３０−１は、話者識別装置８００のそれと同様の処理を行う（Ｓ８２０−１、Ｓ８３０−１）。話者登録部９４０は、話者特徴ベクトル算出部８３０−１の出力である登録発話の話者特徴ベクトルを登録発話記録部９０３の登録発話データベースに登録する（Ｓ９４０）。

続いて、照合発話を照合する処理について説明する。照合発話とは、照合対象となる話者の発話の音声信号のことであり、登録発話と照合されるものである。音響分析部８２０−２及び話者特徴ベクトル算出部８３０−２も、話者識別装置８００のそれと同様の処理を行う（Ｓ８２０−２、Ｓ８３０−２）。類似度計算部９５０は、話者特徴ベクトル算出部８３０−２の出力である照合発話の話者特徴ベクトルと、登録発話データベースの各登録発話の話者特徴ベクトルとの類似度を計算する（Ｓ９５０）。類似度計算部９５０は、類似度計算部８５０と異なり、類似度のみを出力する。話者照合部９７０は、類似度計算部９５０の出力である類似度の中で最大となる類似度が閾値よりも大きい場合（あるいは閾値以上である場合）に登録発話の話者であるとの照合結果を生成し、出力する（Ｓ９７０）。または、類似度計算部９５０の出力である類似度各々について閾値との比較を行い、一つでも閾値より大きい（閾値以上の）ものがある場合に登録発話の話者であるとの照合結果を生成し、出力するようにしてもよい（Ｓ９７０）。

小川哲司、塩田さやか、"ｉ−ｖｅｃｔｏｒを用いた話者認識"、日本音響学会誌、２０１４年６月、７０巻６号、ｐｐ.３３２−３３９.

話者特徴ベクトルには、発話長が長くなるほど話者情報が強く表れるという性質があることが知られている。この性質から、同じ話者による音声でも発話長が異なるほど話者特徴ベクトルの類似度が低下する傾向にある。

話者認識では、登録発話が文章読み上げである一方、認識発話（識別発話または照合発話）は単語読み上げであることが多い。このため、登録発話が例えば１０秒以上と長くなるのに対し、認識発話は例えば１．５秒以下と短くなり、その結果、登録発話に比べて認識発話が極端に短くなる。このため、発話長の違いにより両発話の話者特徴ベクトルの類似度が低下する。このような話者特徴ベクトルを用いて話者認識を行う場合、どの話者も類似度が低くなるために話者ごとの類似度の違いが表れにくくなり、認識精度が低下する。

そこで本発明では、登録発話と認識発話の長さが極端に異なる場合であっても、頑健に話者を認識するための話者特徴ベクトルの類似度計算をする話者らしさ評価装置を提供することを目的とする。

本発明の一態様は、話者識別または話者照合の対象となる話者の発話音声を認識発話、前記話者を認識するために用いる発話音声を登録発話とし、前記登録発話から当該登録発話の区間より短い区間を有する分割済登録発話を生成し、当該分割済登録発話から分割済登録発話話者特徴ベクトルを算出する分割済登録発話話者特徴ベクトル算出部と、前記認識発話から認識発話話者特徴ベクトルを算出する認識発話話者特徴ベクトル算出部と、前記認識発話話者特徴ベクトルと前記分割済登録発話話者特徴ベクトルを用いて前記認識発話と前記分割済登録発話の類似度を計算する類似度計算部とを有する話者らしさ評価装置である。

本発明によれば、登録発話と認識発話の長さが極端に異なる場合においても、精度よく話者を認識するための話者特徴ベクトルの類似度を計算することが可能となる。

従来技術の話者識別装置８００の構成を示すブロック図。 従来技術の話者識別装置８００の動作を示すフローチャート。 従来技術の話者識別装置８００による識別発話の推定話者識別の例を示す図。 従来技術の話者照合装置９００の構成を示すブロック図。 従来技術の話者照合装置９００の動作を示すフローチャート。 従来技術の話者照合装置９００による照合発話の照合の例を示す図。 実施例１の話者識別装置１００の構成を示すブロック図。 実施例１の話者識別装置１００の詳細な動作を示すフローチャート。 実施例１の話者識別装置１００による識別発話の推定話者識別の例を示す図。 実施例２の話者識別装置２００の構成を示すブロック図。 実施例２の話者識別装置２００の詳細な動作を示すフローチャート。 実施例３の話者識別装置３００の構成を示すブロック図。 実施例３の話者識別装置３００の詳細な動作を示すフローチャート。 実施例３（変形）の話者識別装置３００’の構成を示すブロック図。 実施例４の話者照合装置４００の構成を示すブロック図。 実施例４の話者照合装置４００の詳細な動作を示すフローチャート。 実施例４の話者照合装置４００による照合発話の照合の例を示す図。 実施例５の話者照合装置５００の構成を示すブロック図。 実施例５の話者照合装置５００の詳細な動作を示すフローチャート。

以下、本発明の実施の形態について、詳細に説明する。なお、同じ機能を有する構成部には同じ番号を付し、重複説明を省略する。

また、以下の説明でも識別発話または照合発話のことを認識発話、１以上の登録発話を要素とする登録発話の集合を登録発話集合という。

＜本願発明の要点＞
話者特徴ベクトルには、発話長が長くなるほど話者情報が強く表れるという性質以外に、話者情報だけでなく発話に含まれる言葉の情報にも依存するという性質もあることが知られている。この性質から、同程度の発話長でも発話に含まれる言葉が異なるほど話者特徴ベクトルの類似度が低下する傾向にある。例えば「おとな」と「おとこ」という発話の話者特徴ベクトルの類似度は高く、「おとな」と「こども」という発話の話者特徴ベクトルの類似度は低くなりやすいという傾向がある。

話者特徴ベクトルが有するこれらの性質に起因して類似度が低下する問題に対応するための本願発明のポイントは、（１）発話登録時に認識発話と同程度の発話長となるよう登録発話の音声を分割し、分割後の発話である分割済登録発話各々に対して話者特徴ベクトルを算出すること、（２）話者認識の際には話者特徴ベクトルの類似度の最大値ではなく類似度の話者ごとの平均値の最大値を話者認識の基準とすることの二点である。ポイント（１）により、発話長の違いを原因とする話者特徴ベクトルの類似度低下を防ぐことを可能とする。ポイント（２）は、様々な言葉を含む登録発話と認識発話の話者特徴ベクトルの類似度をすべて考慮して話者を判定することに相当し、登録発話に含まれる言葉の違いによる類似度の変化が話者認識に与える影響を低減することを可能とする。

以下、図７〜図９を参照して実施例１の話者識別装置を説明する。図７は、実施例１の話者識別装置１００の構成を示すブロック図である。図８は、実施例１の話者識別装置１００の動作を示すフローチャートである。図９は、話者識別装置１００による識別発話の推定話者識別の様子を示す図である。図７に示すように話者識別装置１００は、発話分割部１１０と、音響分析部８２０−１と、話者特徴ベクトル算出部８３０−１と、話者登録部８４０と、登録発話記録部８０３と、音響分析部８２０−２と、話者特徴ベクトル算出部８３０−２と、正規化あり類似度計算部１５０と、類似度平均化部１６０と、話者識別部８７０と、音響分析部８２０−３と、話者特徴ベクトル算出部８３０−３と、話者特徴ベクトル正規化行列学習部１８０と、話者特徴ベクトル正規化行列記録部１０６を含む。話者識別装置１００は、ＵＢＭモデル記録部８０１と、話者特徴量抽出モデル記録部８０２と、正規化行列学習用発話記録部１０４と、正規化行列学習用話者名記録部１０５とに接続している。

なお、図７に点線で図示する通り、発話分割部１１０、音響分析部８２０−１、話者特徴ベクトル算出部８３０−１をまとめて分割済登録発話話者特徴ベクトル算出部１００１と、音響分析部８２０−２、話者特徴ベクトル算出部８３０−２をまとめて認識発話話者特徴ベクトル算出部１００２という。

話者識別装置１００では話者特徴ベクトル正規化行列を用いて類似度計算を行う。この正規化行列を用いる手法はＷＣＣＮと呼ばれ、発話に含まれる言葉の違いによる類似度の変動を低減させることが知られている（参考非特許文献２）。ＷＣＣＮを用いると、非特許文献１のコサイン類似度を用いる場合に比べて識別発話・登録発話に含まれる言葉の違いの影響をより受けにくくなり、話者識別精度が向上する。
（参考非特許文献２：A. O. Hatch, S. Kajarekar, A. Stolcke, “Within-Class Covariance Normalization for SVM-based Speaker Recognition”, Proc. Interspeech 2006, pp.1471-1474, 2006.）

話者識別装置１００での処理は大きく登録発話の登録、話者特徴ベクトル正規化行列の学習、識別発話の識別の３つに分かれる。

登録発話の登録処理フローの概略は以下の通りである。
１．登録発話の音声を短時間ごと（識別発話と同程度の長さが好ましい）に分割し、分割後の各音声（分割済登録発話という）に対して話者特徴ベクトルを算出する（Ｓ１１０、Ｓ８２０−１、Ｓ８３０−１）。
２．話者特徴ベクトルと登録発話の話者名を組にして登録発話データベースに登録する（Ｓ８４０）。

話者特徴ベクトル正規化行列の学習処理フローの概略は以下の通りである。
１．正規化行列学習用発話の音声に対して話者特徴ベクトルを算出する（Ｓ８２０−３、Ｓ８３０−３）。
２．話者ごとに話者特徴ベクトルの分散共分散行列を求め、これらの行列の平均をとることで話者特徴ベクトル正規化行列を学習する（Ｓ１８０）。

なお、話者特徴ベクトル正規化行列の学習に用いる正規化行列学習用発話、正規化行列学習用話者名は、学習開始前に正規化行列学習用発話記録部１０４、正規化行列学習用話者名記録部１０５にそれぞれ記録しておく。

識別発話の識別処理フローの概略は以下の通りである。
１．識別発話の音声に対して話者特徴ベクトルを算出する（Ｓ８２０−２、Ｓ８３０−２）。
２．識別発話の話者特徴ベクトルと各分割済登録発話の話者特徴ベクトルとの類似度を計算する（Ｓ１５０）。
３．２．で求めた類似度を話者ごとに平均化し、話者ごとの平均類似度を計算する（Ｓ１６０）。
４．話者ごとの平均類似度の最大値に対応する話者名を識別発話の話者（識別結果）として返す（Ｓ８７０）。

以下、構成部ごとに入力、出力、動作について説明する。
＜発話分割部１１０＞
入力：登録発話
出力：分割済登録発話
登録発話集合の各登録発話を短時間ごとに分割し、分割済登録発話を生成する（Ｓ１１０）。分割時、区間の重複は許すものとする。つまり、図９にあるように分割済登録発話の音声には重なりがある。分割時の窓幅は、話者識別の利用時に想定される識別発話と同程度となるようにし、例えば１．５秒とする。シフト幅は例えば０．５秒とする。

区間の重複を許すことにより、より多くの分割済登録発話が生成されることとなり、本願発明のポイント（２）の効果、言葉の違いに起因する影響をより抑制することが可能となる。

なお、ここでの処理は、典型的には、識別発話と同程度の長さの分割済登録発話を複数生成することになるが、登録発話の長さより少なくとも短くなる分割済登録発話を１つだけ生成するのでもよい。

＜音響分析部８２０−１、８２０−２、８２０−３＞
入力：分割済登録発話、認識発話、正規化行列学習用発話
出力：音響特徴量ベクトル系列
各発話から音響特徴量ベクトル系列を算出する（Ｓ８２０−１、Ｓ８２０−２、Ｓ８２０−３）。算出した音響特徴量ベクトル系列をそれぞれ分割済登録発話音響特徴量ベクトル系列、認識発話音響特徴量ベクトル系列、正規化行列学習用発話音響特徴量ベクトル系列という。話者識別装置の音響分析部８２０−２に識別発話が入力されること、話者照合装置の音響分析部８２０−２に照合発話が入力されることに対応して、認識発話音響特徴量ベクトル系列のことをそれぞれ識別発話音響特徴量ベクトル系列、照合発話音響特徴量ベクトル系列という。

ここでは、音響特徴量としてＭＦＣＣを利用する。ＭＦＣＣは短時間ごとのスペクトル包絡を表現し、音声認識を始めとする音声関連技術において広く利用されている。ＭＦＣＣの各次元の値をベクトル表記したものを音響特徴量ベクトルとし、ＭＦＣＣベクトルを時間方向に並べたものを音響特徴量ベクトル系列とする。ＭＦＣＣの抽出方法は参考非特許文献３に記載されている。ＭＦＣＣ抽出のフレーム幅は例えば２５ｍｓとし、シフト幅は例えば１０ｍｓとする。また、ＭＦＣＣの動的特徴量も音響特徴量ベクトルに含める。
（参考非特許文献３：鹿野清宏、伊藤克亘、河原達也、武田一哉、山本幹雄、“ＩＴ Ｔｅｘｔ 音声認識システム”、pp.13-14、オーム社、2001）

＜話者特徴ベクトル算出部８３０−１、８３０−２、８３０−３＞
入力：音響特徴量ベクトル系列、ＵＢＭモデル、話者特徴量抽出モデル
出力：話者特徴ベクトル
各音響特徴量ベクトルからＵＢＭモデル、話者特徴量抽出モデルを用いて話者特徴ベクトルを算出する（Ｓ８３０−１、Ｓ８３０−２、Ｓ８３０−３）。算出した話者特徴ベクトルをそれぞれ分割済登録発話話者特徴ベクトル、認識発話話者特徴ベクトル、正規化行列学習用発話話者特徴ベクトルという。話者特徴ベクトルとして、話者識別装置８００と同じく、ｉ−ｖｅｃｔｏｒを用いる。音響分析部８２０−２と同様、話者特徴ベクトル算出部８３０−２の入力が識別発話音響特徴量ベクトル系列、照合発話音響特徴量ベクトル系列であることに対応して、認識発話話者特徴ベクトルのことをそれぞれ識別発話話者特徴ベクトル、照合発話話者特徴ベクトルという。

＜話者登録部８４０＞
入力：分割済登録発話話者特徴ベクトル、話者名
出力先：登録発話データベース
分割済登録発話話者特徴ベクトルとそれに対応する話者名（分割元となった登録発話の話者名）を組とし、登録発話記録部８０３の登録発話データベースへ追加する（Ｓ８４０）。話者名は、先述の通り、人手で与えるものとする。つまり、登録発話データベースには登録発話集合の各登録発話に対して１つ以上の分割済登録発話話者特徴ベクトルが登録されることとなる。

＜話者特徴ベクトル正規化行列学習部１８０＞
入力：正規化行列学習用話者特徴ベクトル、正規化行列学習用話者名
出力：話者特徴ベクトル正規化行列
話者特徴ベクトル正規化行列の学習を行う（Ｓ１８０）。話者特徴ベクトル正規化行列は、話者ごとに（つまり、正規化行列学習用話者名が同一の正規化行列学習用話者特徴ベクトル群から）話者特徴ベクトルの分散共分散行列を求め、求めた分散共分散行列を全話者で平均化することで得られる。

＜正規化あり類似度計算部１５０＞
入力：話者特徴ベクトル正規化行列、識別発話話者特徴ベクトル、分割済登録発話話者特徴ベクトル、話者名
出力：類似度、話者名
識別発話話者特徴ベクトルと登録発話データベースに含まれるすべての分割済登録発話話者特徴ベクトルとの類似度を計算する（Ｓ１５０）。計算した類似度は、分割済登録発話話者特徴ベクトルに対応する話者名と組にして出力される。

ベクトルの類似度として、話者識別装置８００と同じく、コサイン類似度を用いる。ただしここでは、コサイン類似度計算の際に話者特徴ベクトル正規化行列を利用する。具体的には、コサイン類似度ｃは以下の式により与えられる。

ここで、ｗ_１, ｗ_２はそれぞれ識別発話話者特徴ベクトル、分割済登録発話話者特徴ベクトル、Ｗは話者特徴ベクトル正規化行列を表す。なお、^ｔは転置、^−１は逆行列を表す。

＜類似度平均化部１６０＞
入力：類似度、話者名
出力：話者ごとの平均類似度、話者名
類似度を話者ごとに平均化し、話者ごとの平均類似度を求める（Ｓ１６０）。計算した平均類似度は、分割済登録発話話者特徴ベクトルに対応する話者名と組にして出力される。話者ごとの平均をとるために、例えば、分割元を同じくする分割済登録発話話者特徴ベクトルとの類似度の範囲で平均をとるなどすればよい。また、同一話者による複数の登録発話が話者識別装置１００に入力され、当該登録発話から算出される分割済登録発話話者特徴ベクトルが登録データベースに登録されている場合は、同一の話者名と組になっているこれらの分割済登録発話話者特徴ベクトルのすべてあるいは一部を用いて平均類似度を求めるようにしてもよい。

なお、発話分割部１１０の処理において分割済登録発話が１つだけ生成される場合は、話者識別装置１００は類似度平均化部１６０を持たない形で構成することになる。

＜話者識別部８７０＞
入力：話者ごとの平均類似度、話者名
出力：識別結果（話者名）
話者ごとの平均類似度のうち、最大となる平均類似度に対応する話者名（つまり、分割元となった登録発話の話者名）を選択、識別結果として返す（Ｓ８７０）。

また、分割済登録発話話者特徴ベクトル算出部１００１、認識発話話者特徴ベクトル算出部１００２の入力、出力、動作としてまとめると、以下のようになる。

＜分割済登録発話話者特徴ベクトル算出部１００１＞
入力：登録発話、ＵＢＭモデル、話者特徴量抽出モデル
出力：分割済登録発話話者特徴ベクトル
登録発話から生成した分割済登録発話から、ＵＢＭモデルと話者特徴量抽出モデルを用いて分割済登録発話話者特徴ベクトルを算出する（Ｓ１１０、Ｓ８２０−１、Ｓ８３０−１）。

＜認識発話話者特徴ベクトル算出部１００２＞
入力：認識発話、ＵＢＭモデル、話者特徴量抽出モデル
出力：認識発話話者特徴ベクトル
認識発話から、ＵＢＭモデルと話者特徴量抽出モデルを用いて認識発話話者特徴ベクトルを算出する（Ｓ８２０−２、Ｓ８３０−２）。

登録発話に比べて識別発話が極端に短い場合でも正しく話者識別を行うため、同一話者であれば話者特徴ベクトルの類似度を上げ、別話者であれば類似度を下げる必要がある。発話長の違いへの最も単純な対処方法として、例えば登録発話から識別発話と同程度の発話長となるような一部区間を抽出し、その区間のみから話者特徴ベクトルを算出して類似度を求める方法が考えられる。しかしこの方法では、抽出する区間の言葉の情報の影響を受けて類似度が変化するため、たまたま登録発話と識別発話が似た言葉を含む区間を登録発話から抽出した場合には、異なる話者でも類似度が高くなってしまう。

したがって、発話長の違いへの対処と同時に、発話に含まれる言葉の影響による話者特徴ベクトルの変化も考慮する必要がある。実施例１の発明では、発話分割部１１０を備えることにより発話長の違いへ対処し、類似度平均化部１６０を備えることにより発話に含まれる言葉の影響に対処する。

これにより、登録発話に比べて識別発話が極端に短い場合でも、話者識別精度が向上する。また、テキスト依存型、テキスト非依存型のいずれに対しても話者識別精度が向上する。

実施例１では、話者特徴ベクトル正規化行列を用いて類似度を計算したが、話者識別装置８００と同様、非特許文献１に記載の方法で類似度を計算してもよい。

以下、図１０〜図１１を参照して実施例２の話者識別装置を説明する。図１０は、実施例２の話者識別装置２００の構成を示すブロック図である。図１１は、実施例２の話者識別装置２００の動作を示すフローチャートである。実施例１の話者識別装置１００との違いは、話者特徴ベクトル正規化行列の学習に関係する構成部がないこと、正規化あり類似度計算部１５０に替えて類似度計算部８５０が追加されていることである。

なお、図１０に点線で図示する通り、実施例１と同様、発話分割部１１０、音響分析部８２０−１、話者特徴ベクトル算出部８３０−１をまとめて分割済登録発話話者特徴ベクトル算出部１００１と、音響分析部８２０−２、話者特徴ベクトル算出部８３０−２をまとめて認識発話話者特徴ベクトル算出部１００２という。

以下、実施例１と相違する類似度計算部８５０の入力、出力、動作について説明する。

＜類似度計算部８５０＞
入力：識別発話話者特徴ベクトル、分割済登録発話話者特徴ベクトル、話者名
出力：類似度、話者名
識別発話話者特徴ベクトルと登録発話データベースに含まれるすべての分割済登録発話話者特徴ベクトルとの類似度を計算する（Ｓ８５０）。類似度は非特許文献１のコサイン類似度とする。計算した類似度は、分割済登録発話話者特徴ベクトルに対応する話者名と組にして出力される。

実施例１の発明と同様、登録発話に比べて識別発話が極端に短い場合でも、話者識別精度が向上する。また、テキスト依存型、テキスト非依存型のいずれに対しても話者識別精度が向上する。

実施例３では、実施例１または実施例２の話者識別装置での処理に加えて、閾値を用いた登録外話者判定処理（閾値処理）を行う。識別発話の話者が登録発話データベースにいる場合（閾値処理の結果、所定の要件を満たすと判断される場合）は実施例１または実施例２の話者識別装置での処理結果である話者名を識別結果として出力し、識別発話の話者が登録発話データベースにない場合（閾値処理の結果、所定の要件を満たされないと判断される場合）は登録外話者と判定する。ここで、登録外話者とは、登録発話データベースに話者名が登録されていない話者をいう。

以下、図１２〜図１４を参照して実施例３の話者識別装置を説明する。図１２は、実施例３の話者照合装置３００の構成を示すブロック図である。図１３は、実施例３の話者照合装置３００の動作を示すフローチャートである。図１４は、実施例３（変形）の話者照合装置３００’の構成を示すブロック図である。話者照合装置３００が実施例１の話者照合装置１００をベースにしたもの、話者照合装置３００’が実施例２の話者照合装置２００をベースにしたものである。話者照合装置３００及び話者照合装置３００’では、登録外話者判定部３１０が追加される。

なお、図１２及び図１４に点線で図示する通り、実施例１と同様、発話分割部１１０、音響分析部８２０−１、話者特徴ベクトル算出部８３０−１をまとめて分割済登録発話話者特徴ベクトル算出部１００１と、音響分析部８２０−２、話者特徴ベクトル算出部８３０−２をまとめて認識発話話者特徴ベクトル算出部１００２という。

以下、実施例１または実施例２と相違する話者識別部８７５、登録外話者判定部３１０の入力、出力、動作について説明する。

＜話者識別部８７５＞
入力：話者ごとの平均類似度、話者名
出力：平均類似度の最大値に対応する話者名、平均類似度の最大値
話者ごとの平均類似度のうち、最大となる平均類似度に対応する話者名を選択、選択した話者名に対応する平均類似度（つまり、平均類似度の最大値）を出力する（Ｓ８７５）。話者識別部８７０では平均類似度の最大値に対応する話者名を識別結果として出力したが、話者識別部８７５では平均類似度の最大値もあわせて出力する。

＜登録外話者判定部３１０＞
入力：平均類似度の最大値に対応する話者名、平均類似度の最大値、閾値
出力：識別結果
識別発話の話者が登録外話者かを判定し、識別発話の話者が登録発話データベースにいる場合は話者名を、識別発話の話者が登録発話データベースにない場合は登録外話者である旨を識別結果として出力する（Ｓ３１０）。登録外話者の判定は、平均類似度の最大値の閾値処理により実現する。閾値は事前に設定されているものとする。

一般に、登録話者本人であるかを判定する場合、類似度を閾値処理する方法、すなわち類似度が閾値よりも大きい場合は登録話者本人であるとみなし、閾値よりも小さい場合は登録話者でないとみなす方法を用いる。複数の話者の登録発話が登録発話データベースに登録されている場合、すべての登録話者に対して閾値処理を行い、類似度が閾値よりも大きい登録話者が一人でもいれば登録話者、一人もいないのであれば登録外話者と判定することも可能である。

しかし、平均類似度の最大値のみを閾値処理することでも、登録外話者の判定を実現することができる。平均類似度の最大値が閾値よりも大きい場合は少なくとも一人以上が登録話者であると判定されるが、閾値よりも小さい場合はその他の話者も平均類似度が閾値よりも小さいことから、すべての登録話者に対して本人でない（登録外話者である）と判定されることとなる。このことから、ここでは、平均類似度の最大値と閾値を用いて、平均類似度の最大値が閾値よりも大きい場合は登録外話者でないと判定し、平均類似度の最大値に対応する話者名を、平均類似度の最大値が閾値よりも小さい場合は登録外話者と判定し、登録外話者であるという情報を識別結果として返す。

なお、閾値以上であるか否かにより閾値処理を行ってもよい。また、平均類似度の最大値があらかじめ設定した閾値より大きいことまたは閾値以上であることを、平均類似度の最大値が大きいことを示す所定の範囲にあるという。

実施例１の発明と同様、登録発話に比べて識別発話が極端に短い場合でも、話者識別精度が向上する。また、テキスト依存型、テキスト非依存型のいずれに対しても話者識別精度が向上する。

以下、図１５〜図１７を参照して実施例４の話者照合装置を説明する。図１５は、実施例４の話者照合装置４００の構成を示すブロック図である。図１６は、実施例４の話者照合装置４００の動作を示すフローチャートである。図１７は、話者照合装置４００による照合発話の照合の様子を示す図である。図１５に示すように話者照合装置４００は、発話分割部１１０と、音響分析部８２０−１と、話者特徴ベクトル算出部８３０−１と、話者登録部９４０と、登録発話記録部９０３と、音響分析部８２０−２と、話者特徴ベクトル算出部８３０−２と、正規化あり類似度計算部４５０と、類似度平均化部４６０と、話者照合部９７０と、音響分析部８２０−３と、話者特徴ベクトル算出部８３０−３と、話者特徴ベクトル正規化行列学習部１８０と、話者特徴ベクトル正規化行列記録部１０６を含む。話者照合装置４００は、ＵＢＭモデル記録部８０１と、話者特徴量抽出モデル記録部８０２と、正規化行列学習用発話記録部１０４と、正規化行列学習用話者名記録部１０５とに接続している。

なお、図１５に点線で図示する通り、実施例１と同様、発話分割部１１０、音響分析部８２０−１、話者特徴ベクトル算出部８３０−１をまとめて分割済登録発話話者特徴ベクトル算出部１００１と、音響分析部８２０−２、話者特徴ベクトル算出部８３０−２をまとめて認識発話話者特徴ベクトル算出部１００２という。

話者照合装置４００では、実施例１と同様、話者特徴ベクトル正規化行列を用いて類似度計算を行う。

話者照合装置４００での処理は大きく登録発話の登録、話者特徴ベクトル正規化行列の学習、照合発話の照合の３つに分かれる。

登録発話の登録処理フローの概略は以下の通りである。
１．登録発話の音声を短時間ごと（識別発話と同程度の長さが好ましい）に分割し、分割後の各音声（分割済登録発話という）に対して話者特徴ベクトルを算出する（Ｓ１１０、Ｓ８２０−１、Ｓ８３０−１）。
２．話者特徴ベクトルを登録発話データベースに登録する（Ｓ９４０）。

話者特徴ベクトル正規化行列の学習処理フローは実施例１で説明した通りであるのでここでは省略する。

照合発話の照合処理フローの概略は以下の通りである。
１．照合発話の音声に対して話者特徴ベクトルを算出する（Ｓ８２０−２、Ｓ８３０−２）。
２．照合発話の話者特徴ベクトルと各分割済登録発話の話者特徴ベクトルとの類似度を計算する（Ｓ４５０）。
３．２．で求めた類似度を登録発話ごとに平均化し、登録発話ごとの平均類似度を計算する（Ｓ４６０）。
４．平均類似度の最大値が閾値より大きいかに基づき、登録話者本人であるかを判定し、照合結果を返す（Ｓ９７０）。

以下では、構成部ごとに入力、出力、動作について説明する。

＜話者登録部９４０＞
入力：分割済登録発話話者特徴ベクトル
出力先：登録発話データベース
分割済登録発話話者特徴ベクトルを登録発話記録部９０３の登録発話データベースへ追加する（Ｓ９４０）。実施例１と同様、登録発話データベースには登録発話集合の各登録発話に対して１つ以上の分割済登録発話話者特徴ベクトルが登録されることとなる。

なお、類似度平均化部４６０における処理（類似度の平均化）ができるように（図１７参照）、分割済登録発話話者特徴ベクトルには同一の話者の発話に由来するものであるか否かの判断に利用できる情報が付与されている必要がある。例えば、分割元となった登録発話を示す識別子を用いればよい。もちろん、話者識別装置同様、話者名を登録発話データベースに登録しておき、話者名をキーとして平均値を計算する範囲を特定してもよい。

＜正規化あり類似度計算部４５０＞
入力：話者特徴ベクトル正規化行列、照合発話話者特徴ベクトル、分割済登録発話話者特徴ベクトル
出力：類似度
照合発話話者特徴ベクトルと登録発話データベースに含まれるすべての分割済登録発話話者特徴ベクトルとの類似度を計算する（Ｓ４５０）。正規化あり類似度計算部１５０との違いは、話者名を入出力としない点である。

＜類似度平均化部４６０＞
入力：類似度
出力：平均類似度
類似度を登録発話ごとに平均化し、登録発話ごとの平均類似度を求める（Ｓ４６０）。類似度平均化部１６０との違いは、話者名を入出力としない点である。平均値を計算する範囲を登録発話単位ではなく、同一の話者の発話に由来するものであるか否かの判断に利用できる情報で特定できる範囲としてもよい。

＜話者照合部９７０＞
入力：平均類似度、閾値
出力：照合結果
平均類似度の最大値が閾値よりも大きい場合は登録発話の話者と同一話者、閾値よりも小さい場合は別話者であると判定し、照合結果として返す（Ｓ９７０）。または、類似度計算部９５０の出力である類似度各々について閾値との比較を行い、一つでも閾値より大きいものがある場合に登録発話の話者であるとの照合結果を生成し、出力するようにしてもよい（Ｓ９７０）。登録外話者判定部３１０と同様、閾値以上であるか否かにより閾値処理を行ってもよい。

テキスト非依存型の話者照合において話者特徴ベクトルを利用する場合、上述の話者特徴ベクトルの性質から、識別発話の発話長や含まれる言葉により類似度が変化し、照合精度が低下する。例えば、ある言葉が照合発話に含まれる場合、必ず登録話者だと判断される、といった事態が発生することもある。発話長や単語の変化に対して頑健な話者照合を行うための、発話長や単語の違いへの最も単純な対処方法として、例えば照合発話と同程度の発話長となるよう登録発話の一部区間を抽出し、その区間のみから話者特徴ベクトルを算出して類似度を求める方法が考えられる。しかしこの方法では、抽出する区間の言葉の情報の影響を受けて類似度が変化するため、たまたま登録発話と照合発話が似た言葉を含む区間を登録発話から抽出した場合には、異なる話者でも類似度が高くなってしまう。

したがって、発話長の違いへの対処と同時に、発話に含まれる言葉の影響による話者特徴ベクトルの変化も考慮する必要がある。実施例４の発明では、発話分割部１１０を備えることにより発話長の違いへ対処し、類似度平均化部４６０を備えることにより発話に含まれる言葉の影響に対処する。

これにより、テキスト非依存型の話者照合においても、発話長や単語の変化に対して頑健な、閾値を用いた話者照合が可能となる。

実施例４では、話者特徴ベクトル正規化行列を用いて類似度を計算したが、話者照合装置９００と同様、非特許文献１に記載の方法で類似度を計算してもよい。

以下、図１８〜図１９を参照して実施例５の話者照合装置を説明する。図１８は、実施例５の話者照合装置５００の構成を示すブロック図である。図１９は、実施例５の話者照合装置５００の動作を示すフローチャートである。実施例４の話者照合装置４００との違いは、話者特徴ベクトル正規化行列の学習に関係する構成部がないこと、正規化あり類似度計算部４５０に替えて類似度計算部９５０が追加されていることである。

なお、図１８に点線で図示する通り、実施例１と同様、発話分割部１１０、音響分析部８２０−１、話者特徴ベクトル算出部８３０−１をまとめて分割済登録発話話者特徴ベクトル算出部１００１と、音響分析部８２０−２、話者特徴ベクトル算出部８３０−２をまとめて認識発話話者特徴ベクトル算出部１００２という。

以下、実施例４と相違する類似度計算部９５０の入力、出力、動作について説明する。

＜類似度計算部９５０＞
入力：照合発話話者特徴ベクトル、分割済登録発話話者特徴ベクトル
出力：類似度
照合発話話者特徴ベクトルと登録発話データベースに含まれるすべての分割済登録発話話者特徴ベクトルとの類似度を計算する（Ｓ９５０）。類似度は非特許文献１のコサイン類似度とする。類似度計算部８５０との違いは、話者名を入出力としない点である。

実施例４の発明と同様、テキスト非依存型の話者照合においても、発話長や単語の変化に対して頑健な、閾値を用いた話者照合が可能となる。

＜補記＞
本発明の装置は、例えば単一のハードウェアエンティティとして、キーボードなどが接続可能な入力部、液晶ディスプレイなどが接続可能な出力部、ハードウェアエンティティの外部に通信可能な通信装置（例えば通信ケーブル）が接続可能な通信部、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、キャッシュメモリやレジスタなどを備えていてもよい）、メモリであるＲＡＭやＲＯＭ、ハードディスクである外部記憶装置並びにこれらの入力部、出力部、通信部、ＣＰＵ、ＲＡＭ、ＲＯＭ、外部記憶装置の間のデータのやり取りが可能なように接続するバスを有している。また必要に応じて、ハードウェアエンティティに、ＣＤ−ＲＯＭなどの記録媒体を読み書きできる装置（ドライブ）などを設けることとしてもよい。このようなハードウェア資源を備えた物理的実体としては、汎用コンピュータなどがある。

ハードウェアエンティティの外部記憶装置には、上述の機能を実現するために必要となるプログラムおよびこのプログラムの処理において必要となるデータなどが記憶されている（外部記憶装置に限らず、例えばプログラムを読み出し専用記憶装置であるＲＯＭに記憶させておくこととしてもよい）。また、これらのプログラムの処理によって得られるデータなどは、ＲＡＭや外部記憶装置などに適宜に記憶される。

ハードウェアエンティティでは、外部記憶装置（あるいはＲＯＭなど）に記憶された各プログラムとこの各プログラムの処理に必要なデータが必要に応じてメモリに読み込まれて、適宜にＣＰＵで解釈実行・処理される。その結果、ＣＰＵが所定の機能（上記、…部、…手段などと表した各構成要件）を実現する。

本発明は上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。また、上記実施形態において説明した処理は、記載の順に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されるとしてもよい。

既述のように、上記実施形態において説明したハードウェアエンティティ（本発明の装置）における処理機能をコンピュータによって実現する場合、ハードウェアエンティティが有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記ハードウェアエンティティにおける処理機能がコンピュータ上で実現される。

この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、ＤＶＤ−ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ−Ｒ（Ｒｅｃｏｒｄａｂｌｅ）／ＲＷ（ＲｅＷｒｉｔａｂｌｅ）等を、光磁気記録媒体として、ＭＯ（Ｍａｇｎｅｔｏ−Ｏｐｔｉｃａｌ ｄｉｓｃ）等を、半導体メモリとしてＥＥＰ−ＲＯＭ（Ｅｌｅｃｔｒｏｎｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を用いることができる。

また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｅｒｖｉｃｅ Ｐｒｏｖｉｄｅｒ）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。

また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、ハードウェアエンティティを構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

Claims (8)

1. 話者識別または話者照合の対象となる話者の発話音声を認識発話、前記話者を認識するために用いる発話音声を登録発話とし、
   前記登録発話から当該登録発話の区間より短い区間を有する分割済登録発話を生成し、当該分割済登録発話から分割済登録発話話者特徴ベクトルを算出する分割済登録発話話者特徴ベクトル算出部と、
   前記認識発話から認識発話話者特徴ベクトルを算出する認識発話話者特徴ベクトル算出部と、
   前記認識発話話者特徴ベクトルと前記分割済登録発話話者特徴ベクトルを用いて前記認識発話と前記分割済登録発話の類似度を計算する類似度計算部と
   を有する話者らしさ評価装置。
2. 請求項１に記載の話者らしさ評価装置であって、
   前記分割済登録発話話者特徴ベクトル算出部は、２以上の分割済登録発話を生成するものであり、
   前記類似度計算部は、前記２以上の分割済登録発話の各々に対して前記類似度を計算するものであり、
   さらに、
   前記類似度の平均値である平均類似度を計算する類似度平均化部と
   を有する話者らしさ評価装置。
3. 話者識別の対象となる話者の発話音声を識別発話、１以上の登録発話を要素とする登録発話の集合を登録発話集合とし、
   前記識別発話と前記登録発話集合の登録発話の各々に対して請求項１または請求項２に記載の話者らしさ評価装置を用いて計算した前記類似度または前記平均類似度から、前記識別発話の識別結果を生成する話者識別装置であって、
   前記類似度または前記平均類似度の最大値に対応する登録発話の話者名を選択し、前記話者名を前記識別結果とする話者識別部と
   を有する話者識別装置。
4. 話者識別の対象となる話者の発話音声を識別発話、１以上の登録発話を要素とする登録発話の集合を登録発話集合とし、
   前記識別発話と前記登録発話集合の登録発話の各々に対して請求項１または請求項２に記載の話者らしさ評価装置を用いて計算した前記類似度または前記平均類似度から、前記識別発話の識別結果を生成する話者識別装置であって、
   前記類似度または前記平均類似度の最大値に対応する登録発話の話者名と当該最大値を選択する話者識別部と、
   前記最大値が大きいことを示す所定の範囲にある場合に前記話者名を前記識別結果とする登録外話者判定部と
   を有する話者識別装置。
5. 話者照合の対象となる話者の発話音声を照合発話、１以上の登録発話を要素とする登録発話の集合を登録発話集合とし、
   前記照合発話と前記登録発話集合の登録発話の各々に対して請求項１または請求項２に記載の話者らしさ評価装置を用いて計算した前記類似度または前記平均類似度から、前記照合発話の照合結果を生成する話者照合装置であって、
   前記最大値が大きいことを示す所定の範囲にある場合に前記登録発話の話者であるとの照合結果を生成する話者照合部と
   を有する話者照合装置。
6. 話者識別または話者照合の対象となる話者の発話音声を認識発話、前記話者を認識するために用いる発話音声を登録発話とし、
   前記登録発話から当該登録発話の区間より短い区間を有する分割済登録発話を生成し、当該分割済登録発話から分割済登録発話話者特徴ベクトルを算出する分割済登録発話話者特徴ベクトル算出ステップと、
   前記認識発話から認識発話話者特徴ベクトルを算出する認識発話話者特徴ベクトル算出ステップと、
   前記認識発話話者特徴ベクトルと前記分割済登録発話話者特徴ベクトルを用いて前記認識発話と前記分割済登録発話の類似度を計算する類似度計算ステップと
   を実行する話者らしさ評価方法。
7. 請求項６に記載の話者らしさ評価方法であって、
   前記分割済登録発話話者特徴ベクトル算出ステップは、２以上の分割済登録発話を生成するものであり、
   前記類似度計算ステップは、前記２以上の分割済登録発話の各々に対して前記類似度を計算するものであり、
   さらに、
   前記類似度の平均値である平均類似度を計算する類似度平均化ステップと
   を実行する話者らしさ評価方法。
8. 請求項６または７に記載の話者らしさ評価方法をコンピュータに実行させるためのプログラム。

Images