タグ: wit

充実した研究会でした。１日目は４０人、２日目も３０人近くの参加者がこられました。また、１日目はPC要約筆記を実施し、一部の発表について手話通訳も実施しました。聴覚に障害をお持ちの方が４名いらっしゃったとのことです。

個人的には、自分の研究に関する情報収集を通じて出会ったブロガーの方に研究会に来ていただけたことが嬉しかったです。

また、ツイッターで中継をしていたときに、あるフォロワーの方から質問をいただき、そのセッション内で私が発表者にそれをお伝えして、返事をまたフォロワーの方に返す、というやりとりができました。

ブログとツイッターが学会活動にもたらすであろう、大いなる可能性を実感する、私にとってはそんな意義深い研究会になりました。

さらに、来年10月のPRMU／SP／WIT研究会では、ぜひ「音声認識による情報保障」にチャレンジしましょう、というお話が出たことも、とても嬉しいことです。

実際にやるとなると「事前に言語モデルを構築しておけるのか」などなど問題が山積していると思うのですが、きっとよい機会になると信じています。

WITの今後の予定は、12月のHCGシンポジウム、そして１月の「50回・10周年記念研究会」です。今後も私個人として可能な限りツイッター中継などに取り組んでいくつもりです。よろしくお願いします。

• 09:04  #spwit 研究会２日目。午前に2つセッション。お昼に終了する予定。 http://bit.ly/hSIoW
• 09:06  #spwit 途中で私の発表（１０）があるので中継とまります。お許しください
• 09:09  #spwit ゆうべの懇親会でこんな話がでました「来年の10月にPRMU/SP/WITの共催研究会を幕張CEATEC内で開催する際に、発表件数が多くなりそうなので、音声認識による情報保障を試してはどうか」
• 09:14  #spwit (8) 國越さん「手の動きを入力としたリアルタイム音声生成系における鼻音の合成とピッチ制御に関する検討」
• 09:16  #spwit (8) 國越さん「構音障害者支援技術。手話、コミュニケーションボード、VOCAなどがある。手話は相手も知っていないといけない。他の手法は感情を表現しにくい。テキスト音声合成に頼らない手法はないか？」
• 09:18  #spwit (8) 國越さん「藪さんの先行研究。ペンタブレットで第１フォルマントと第２フォルマントを制御。その他１０年前にグローブトークという提案」
• 09:18  #spwit (8) 國越さん「提案。身体運動から音声に特徴量空間を写像。音声合成技術を使う。手の動きをデータグローブでキャプチャする」
• 09:21  #spwit (8) 國越さん「ジェスチャ空間１８次元と音響空間１８次元の結合ベクトル。GMMで写像。話者変換で使われる技術。ただし、学習データのアラインメントを取るのは音声より難しい」
• 09:23  #spwit (8) 國越さん「ジェスチャーと音の対応付け。指文字などを使わず新たに設計する。ジェスチャー群の配置と母音群の配置が等価になるように。指を曲げるか伸ばすか３２通り。２８種類を選んでジェスチャー位置の主成分分析」
• 09:25  #spwit (8) 國越さん「群の分離されやすさ、指の形の作りやすさ。５つの形を決める。ジェスチャーとケプストラムを対応付け。結合ベクトル作成。GMM構築。STRAIGHTベースのケプストラム」
• 09:27  #spwit (8) 國越さん：ビデオ「ロボットボイス的だが、元の声の分析合成音と似ている。合唱経験者なので難しい発声をさせやすかった。５母音の合成を実現。ピッチと子音が次の課題」
• 09:29  #spwit (8) 國越さん「他に制御できるパラメータは？腕の方向を使う。地磁気・加速度などのセンサモジュールを使用。Rollを音声のピッチに割り当てる。「あおい」と喋るデモ」
• 09:34  #spwit (8) 國越さん「子音の合成。波形接続と空間写像。前者は子音部と母音部の窓かけと混合部の長さを予備的に検討」「な」を合成した音声を聞かせる
• 09:37  #spwit (8) 國越さん「nを考慮したジェスチャデザイン。アラインメント：目で見て子音部、遷移部分、母音部に分割して対応付け」「なにぬねの」の合成のデモビデオ
• 09:39  #spwit (8) 國越さん「聴取実験による評価。分析再合成と比べると低いが、ｎとｍの置換を許容すると良好な結果。フォルマント遷移部の音響特性に課題？」
• 09:40  #spwit (8) 國越さん「ケプストラム歪みの評価。遷移部分が特に大きい」「まとめ：ピッチ制御の導入。鼻音合成の実験的検討」
• 09:42  #spwit (8) 國越さん：デモ。手の動きで母音と鼻子音の再生。
• 09:44  #spwit (8) 國越さん質疑「渡りの部分がたりないのでナがマになる？」「遷移部分は文字ごとに変える必要がある。いまの手法だと次にくる音素を予測できない」
• 09:45  #spwit (8) 國越さん質疑「どれだけ自然な割り当てができるか＝誰が使うか」「構音に障害があっても手には障害がない人が対象」
• 09:47  #spwit (9) 中村さん「外部音源を用いた発声支援システムにおける統計的声質変換の評価」
• 09:49  #spwit (9) 中村さん「声帯がない人のための人工喉頭（使って喋ってみせる）生成される音声が不自然。どうやって自然にするか」
• 09:52  #spwit (9) 中村さん「概要。呼気センサーを使う。F0情報が得られる。統括的評価を」「従来法：F0を変化できない。Type-B：電気的に収録された音声を声質変換。電話なら変換音声だけを伝送できる」
• 09:58  #spwit (9) 中村さん「Type-A：呼気センサー使用。気管孔からの呼気。強くふくと高い音になる」「Type-C：振動子を小さくして微弱音源を出す。NAMマイクで収録する」
• 10:01  #spwit (9) 中村さん「B,A,Cの利点を比較」「最尤基準に基づく声質変換。入力と出力の話者を設定。入出力を結合した特徴量のGMM。条件付き確率密度最大化。言語情報に依存しない」
• 10:04  #spwit (9) 中村さん「モノトーン電気音声が入力のときもF0をスペクトルから推定。非モノトーン電気音声のときはF0推定にスペクトルまたは入力F0を使う」
• 10:07  #spwit (9) 中村さん「客観評価。メルケプストラム歪み。すべての変換で歪みを改善。F0評価：相関係数、有声無声判定。呼気センサーによる相関係数の上昇。入力F0の使用は無効（習熟による改善？）」
• 10:10  #spwit (9) 中村さん「微弱音源からの変換結果がよくない。パワーが低すぎる」「主観評価。自然性、明瞭性、好感度。微弱音声の場合もやらないよりはよい」
• 10:12  #spwit (9) 中村さんデモ音声再生。
• 10:14  #spwit (9) 中村さん質疑「ささやきが特に自然に聞こえる。日本語に固有？中国語でささやきは困難？トーンランゲージ対策？」「ウィスパーでもピッチ成分が得られる可能性がある。知識で補完？」「スペクトルからF0が相関0.6で得られる。どう評価？」
• 10:15  #spwit 次は (10) 西本「音声CAPTCHAにおける削除法と混合法の比較」
• 10:16  #spwit (9) 中村さん質疑「F0推定は限界に来ている？品質を上げる可能性？」「案はあるけど。。セグメント特徴をPCA以外の方法でなにか」
• 10:17  #spwit (9) 中村さん質疑「今回の被験者は呼気センサー訓練１ヶ月」
• 10:17  #spwit (9) 中村さん質疑「MOSでささやきの評価が４なのは不自然？」
• 10:20  #spwit (9) 中村さん質疑「人の声として自然か、ささやきも評価」「実時間性？一発話ごとに処理。ディレイは対策していない。将来の課題」「F0も言語情報なしでスペクトルと対応させる」
• 10:58  #spwit (10) 西本発表終了。最初にツイッターのユーザ登録の reCAPTCHA をお見せしました（笑）
• 11:02  #spwit (11) 大墳さん「体表点字による盲ろう者と健常者の会話システム」
• 11:03  #spwit このセッションは西本が司会しながらつぶやきます
• 11:06  #spwit (11) 大墳さん「最近は２個のモータで体表点字を実現。背中や肩など任意の箇所を使える。文字だけでなく左右などの情報も。ウェアラブル。受動的な情報取得」
• 11:08  #spwit (11) 大墳さん「点字ひとマスを上中下の段に分ける。段に点がない場合は左を短く振動」「に：左・左・左」「な：左ブー、左トン、左ブー」「う：左右ブー、左トン、左トン」
• 11:09  #spwit (11) 大墳さん「テレサポート。ジュースなのかコーラなのかカメラでサポーターに見せる、返事を体表点字で受け取る」
• 11:10  #spwit (11) 大墳さん「自律歩行支援システム。RFIDを白杖で読み取る。音声の代わりに体表点字で情報提示」
• 11:12  #spwit (11) 大墳さん「ヘレンケラーホン。携帯電話のボタン６個で入力。体表点字で会話」
• 11:15  #spwit (11) 大墳さん「会話相手が健常者のとき、相手が近くにいるかどうかわからない。解決：赤外線で相手の存在を呈示。健常者はカナによる読み書き」
• 11:17  #spwit (11) 大墳さん「盲ろう者の機器はベストに埋め込み。健常者は４ｘ４ボタンと液晶画面の端末。会話までのタイミングチャート」
• 11:21  #spwit (11) 大墳さん「盲ろう者が相手を見つけると会話モードに移行」「IrDAは通常１０センチ。今回はリモコン用赤外線。８ｍ届く。赤外線をPICでPWM変調。実験：光量と到達距離」
• 11:22  #spwit (11) 大墳（おおつか）さんの発表中です。プログラム http://bit.ly/hSIoW
• 11:24  #spwit (11) 大墳さん「今年８月の盲ろう者大会で意見を聞く。約30人（介助者含む）点字を知っているのは半数。ろうベースの触手話使用者も。好評をえた」
• 11:35  #spwit (11) 大墳さん質疑。マイクを持っていたので中継できず。後ほどフォローします。
• 11:36  #spwit (12) 伊藤さん「漢字の要素読み上げ及び拡大表示Webアプリケーションの開発」
• 11:40  @mushakei 次の講演が始まってしまいました。後で質問してみますね！  [in reply to mushakei]
• 11:41  #spwit (12) 伊藤さん「漢字は日本語である」「漢点字の提案：８点。六点漢字：６点。昭和４７年長谷川さん」「視覚障害者の漢字学習の現状」
• 11:44  #spwit (12) 伊藤さん「漢字の詳細読みの説明」「従来法の課題。実際に使えるか。扱う文字数に限りがある。形や構成の情報を伝えられるか」
• 11:45  #spwit (12) 伊藤さん「視覚障害者から漢字の形を知りたいという要望を受けた。音声による漢字の構成情報の提供が可能なシステムを開発。点字プリンタは高価」
• 11:47  #spwit (12) 伊藤さん「動作の流れ。漢字一字を入力。説明文データベースと漢字画像データベースを検索。JavaScriptとHTMLとPerlとSQliteで実装」
• 11:49  #spwit (12) 伊藤さん「ダイアログボックスを出す。画面の一部書き換えなどの状況を理解させるため。出力画面の例」
• 11:52  #spwit (12) 伊藤さんデモ。スクリーンリーダ（PC-Talker）でウェブブラウザを読み上げ。「文字入力」が空欄だとエラーのダイアログ。文字数が２文字だとやはりエラー。
• 11:53  #spwit (12) 伊藤さんデモ。「男」を入力。「上に田んぼの田、下に力持ちの力」と説明。
• 11:56  #spwit (12) 伊藤さん「課題：要素分解の程度。階層的に説明するべき？　効率よいデータの増やし方？　画像表示のサイズ変更など。視覚障害者による試用を予定」
• 11:57  #spwit (12) 伊藤さん「課題：熟語のそれぞれの漢字を説明してくれるとよい？」
• 12:07  #spwit (12) 伊藤さん質疑。後でフォローします。それから (11) で @mushakei さんからツッコミいただいた件。あまり進んでないようですが長谷川先生のサイトがあるはず、とのこと。。
• 12:08  #spwit (13) 小宮さん「視覚障害者のための意味情報を用いた仮名漢字変換における説明語選択手法の検討」
• 12:10  #spwit (13) 小宮さん「スクリーンリーダによる文書作成。仮名漢字変換は欠かせない」デモ。変換キーを押して詳細読みで候補が読み上げられる。
• 12:12  #spwit (13) 小宮さん「例えばコウエンという語に同音異義語がたくさんある。正しく速く仮名漢字変換をしたい。提案：詳細読みではなく意味情報を説明につかう」
• 12:13  #spwit (13) 小宮さん「例えば「講演：演説、話す、スピーチ」。これまでの実験の結果。正解率と平均変換時間で有効性確認。連想しやすい説明語をいかに選ぶか」
• 12:15  #spwit (13) 小宮さん「説明語を自動選択したい。単語親密度に着目。NTTデータベースシリーズ。有効性を実験で検討」
• 12:17  #spwit (13) 小宮さん「説明語の単語親密度の分布。４～７の高親密度が使われている。でも逆は成り立つのか？連想しやすさの評定実験」
• 12:18  #spwit (13) 小宮さん「問題例：「演劇」から「ドラマ、プレー、劇、芝居」などが「意味的に近くない、やや近い、、」などを評定」
• 12:20  #spwit (13) 小宮さん「単語親密度が低い：意味を知らない比率が上がる。変化の大きい親密度３～４に着目。知らない率10%の閾値が親密度3.6」
• 12:22  #spwit (13) 小宮さん「「午後」と「後」は意味的に近くないと多数が回答。デジタル類義語辞典の定義が不自然？」
• 12:24  #spwit (13) 小宮さん「「後」には「観点：場所」と「観点：時刻」の両方がある。観点付き単語は除外すべき」「「早熟」と「ひねる」も近くないと回答。「ひねた子供」と「ねじる」の多義性」
• 12:25  #spwit (13) 小宮さん「「ひねる」の親密度5.7は「ねじる」の意味での得点だと思われる」
• 12:27  #spwit (13) 小宮さん「課題：音声による実験など、詳細読みとの併用」
• 12:45  #spwit 終了。とりあえず会場かたづけます。ボイスレコーダで録音したので後で聞き返してフォローします。
• 20:23  新幹線にて今日の研究会の録音を聞き直した。いまさらツイッターって気がしないので中継が抜けたところは後でブログに書きます。誰か私の発表と司会の間だけ中継を手伝ってくれる人を緩募。。
• 20:27  最近買い換えたボイスレコーダー、三洋ICR-PS503RM。三洋の操作系に慣れている私には使いやすい。再生ボタン連打でちょっと巻き戻しができることにいま気付いた。

Powered by twtr2src

以下、生中継できなかったところの補足：

(10) 西本の発表に対する質疑。発表概要は別途このブログに書く予定。

• ターゲットと妨害音声のSNRの定義の確認
• 混合法で数字の桁ごとに話者が変わるとどうなる？やっていないが、難しい課題になりそう
• 同じ話者の妨害音声を破る側が用意できたら話者認識によって何かできそう？ターゲット音声の話者はもともと不特定話者のつもり。
• 妨害とターゲットの話者が同じだったら？コーパスがないのでやっていないが、人間にも機械にもおそらく不利
• 被験者が女性の場合は男性音声の聞き分けが苦手、逆もあり、という現象の可能性？
• ユーザ登録で入力された名前を使って妨害音声を作るCAPTCHAの可能性？機械が妨害音声をコントロールできてしまうと破る側に悪用されるかも
• 破る側と守る側に分かれてコンペをすればよいと思う

(11) 大墳さん質疑：

• カメラによるテレサポートを自動化できるか？画像を写すためにカメラの向きを変えてもらう必要がある。やりとりが必要。
• MITのシックスセンスというシステムがある。カメラ画像を認識してネット情報を検索する拡張現実。同じようなことができるかも。
• 健常者の読み書きは？仮名文字。赤外線で通信されるのは仮名の文字コード。
• センサーを2つずつ3回で呈示するのはなぜ？指と違って体では同時に多くの振動を認識できない。３点ｘ２回の方が「母音」「子音」に対応するのでは？
• 次の文字とタイミングが重ならないのか？文字ごとに空き時間を作っている。
• 段や文字の呈示スピード？熟練度に応じて変更。
• 「打ちはじめ」を知らせては？これから送る、という合図の信号は使っている。ずっと待っているのは疲れる。

(12) 伊藤さん質疑：

• 男→田・力のような説明辞書をどう学習？田→口・十のような階層的データを作りたい。触覚とコラボしたい。
• わかっているが確認したい文字、という使い方？
• 詳細読みで区別がつかない場合の呈示に役立つのでは？
• IMEで詳細読みを理解して入力ができる人が対象ユーザ？第２水準の文字など、形だけ知りたいというニーズがある
• 文字を拡大して表示するのは？弱視の人を対象。弱視の人も音声を好むかも？

(13) 小宮さん質疑：

• 詳細読みと意味情報のそれぞれの利点と欠点？わからなくなったときにリカバーしにくいことはないか？
• 詳細：「週刊」「週間」一文字目が同じ。一文字目がわからないと区別ができない。詳細読みが苦手なケース。
• 意味：カタカナ語や聞き慣れない語が出現するのが欠点。固有名詞に対応しにくい。
• 詳細：他の語では使わない難しい漢字が存在する
• 意味：前の発表の実験の手順？二字の熟語を呈示
• MS-IMEの同音異義語の意味ヒントの音声化と似た効果？
• 日本語の語彙特性データベースは「語を知っているか」の尺度。意味の一義性とのミスマッチで苦労している？
• 前提は「連想しやすい＝類義語」。主観的な選択ではなく基準を作りたい
• どのデータから何がわかり、どんなフローで何をフィルタリングするか、整理していくとよい？

• 06:17  これから新幹線で（笑）青森へ。#spwit http://bit.ly/hSIoW
• 06:18  ゆうべは第 82 回音楽情報科学研究会 http://www.sigmus.jp/SIG/sig200911program.html の打合せをやってました。東京大学の学生は無料で参加できることになりました。
• 06:20  #spwit ハッシュタグ実験中 http://bit.ly/hSIoW
• 10:54  八戸で特急に乗り換えた。
• 12:10  青森アスパムに着いた http://f.hatena.ne.jp/twitter2/20091029121043
• 13:04  #spwit 講演 (1) 「最新のエレクトロパラトグラフ（ＥＰＧ）の臨床活用と今後の展望」山本一郎さん。「構音障害の治療のためにEPGを広めたい」
• 13:04  #spwit プログラム http://bit.ly/hSIoW
• 13:08  #spwit (1) 山本氏「口唇口蓋裂の症例紹介。発話機能のために手術をする」「日本では500人に１人」「後遺症である構音障害の治療に関わる言語聴覚士が人手不足」
• 13:12  #spwit (1) 山本氏「口の機能：食べること。話すこと。味わうこと」「口蓋裂に伴う異常構音の説明。鼻咽腔閉鎖機能の不全に関係ある事例、ない事例の存在」
• 13:15  #spwit (1) 山本氏「スピーチエイドによる閉鎖機能の改善。喉のしまりをよくする装置」「発音補助装置」
• 13:17  #spwit (1) 山本氏「EPGが使えそうなのは閉鎖機能不全と関係ない障害。「さ＝か」、「ち＝き」。舌の後方化」「1978年に製品として作られたEPG。臨床には不向きだった」「現在：英国の大学のWinEPGシステム」
• 13:23  #spwit (1) 山本氏「Redingタイプは良好。2007年に京都でシンポジウム。100人を超える実績。論文多数」「症例紹介。3歳で口唇形成術。13歳でEPG治療開始」「EPGパレートを使用。パターンの変化。視覚的フィードバック訓練。目標が具体的」
• 13:25  #spwit (1) 山本氏「人工口蓋床の開発が必要。モジュール化してカスタマイズできる電極を開発した」「遠隔構音指導が可能」「ケータイで録音してメール添付。もっといい方法はないか？」
• 13:26  #spwit (1) 山本氏「「目で見る日本語音の再生」というDVDを今年作成した」
• 13:29  #spwit (1) 山本氏：質疑「100Hzで「つ」「ちゅ」の区別はつくのか？」「スペクトルと対応させれば判断できる」「聴覚言語障害の人には特に音声スペクトルの視覚化フィードバックが有効」
• 13:32  #spwit (1) 山本氏「舌が間違っていたら絶対に正しい発音はできない」「舌の位置を視覚化する。音を視覚化する」「人工内耳の方へも有用なはず」
• 13:34  #spwit 講演 (2) 「人工内耳装用者のための音楽の試作」北澤さん http://bit.ly/hSIoW
• 13:38  #spwit (2) 北澤氏「人工内耳（CI）は音楽を聴くのに有効でない」「内部でどんな処理をしているか説明」「Cochlear社のACE方式の概要」「音楽情報伝達の問題点。リズムは問題なし。音の高さの弁別が困難。ピッチ、音色、メロディが聞き取れない」
• 13:43  #spwit (2) 北澤氏「20個の電極に対応した音を用いたピッチ識別実験の結果」「被験者2名。17個は弁別できる」「聞こえの強さの調整」「G3 F4 C5 E5 G#5 C6 など音を作って聴力検査」
• 13:47  #spwit (2) 北澤氏「震音による音楽作成例。鉄腕アトム」「人工内耳フィルターに対応した楽音の割り当て。人工内耳音階＝CIS。周波数フィルタと一対一に対応する音階を選んだ」「新たに作曲した作品紹介」
• 13:53  #spwit (2) 北澤氏「既存の曲をCISに変換した例」「特徴を保っているので曲目の推測は可能」「人工内耳使用者による評価。曲によって原曲との同一感が感じられない場合もある」「音楽らしく感じることが示唆された」
• 13:55  #spwit (2) 北澤氏の質疑「西洋音階の半音階を含む曲は厳しい？民謡や童謡なら適している？音階の間隔は将来狭まるか？」「人工内耳の周波数分解能は上がるだろう」
• 13:58  #spwit (2) 北澤氏の質疑「被験者の先天、後天？」「後天。高齢者。将来の対象は子供、先天性の人」「音階は子供が後天的に獲得するのでは」「和音は考慮したい。振幅変調がポイントか」「人工内耳の音楽家の意見を聞いては？」
• 14:00  #spwit (2) 北澤氏の質疑「電極に10msくらいの刺激を与えられないか？」「300ヘルツ以上の刺激は困難」「であれば１オクターブの信号で音楽を作れないか？」
• 14:01  #spwit 講演 (3) 「日本手話会話におけるマウジングと言い直し」坊農さん。ここまでPC要約筆記。ここからは手話通訳とPC要約筆記。
• 14:05  #spwit 坊農さん「聴力障害の等級と手話コミュニティの説明。先天ろう：両親がろう者／聴者の各ケースあり。中途失聴。難聴」
• 14:08  #spwit (3) 坊農さん「コーダ：children of deaf adult」「手話通訳士、手話通訳者」「ろう文化宣言。日本手話＝日本語と異なる言語。言語的少数者」
• 14:09  #spwit (3) 坊農さん「Deaf = 社会的文化的コミュニティ、民族的団体。 deaf ＝病理的なものを含む」
• 14:12  #spwit (3) 坊農さん「日本手話＝日本語と異なる文法」「日本語対応手話＝日本語文法と対応。日本手話母語者にはわかりづらい」「マウジング＝音声言語由来の口型」「完了を意味する「パ」」
• 14:14  #spwit (3) 坊農さん「音声・ジェスチャ分析の手法で研究に取り組む。「意味解釈」「手型（右）」「手型（左）」「口型」」「手が表現する場所まで移動する準備区間をチルダで表す」「核の部分をアスタリスクで表現」
• 14:22  #spwit (3) 坊農さん「ビデオで実例紹介。言い直しフェーズにマイジングがつく。マルチモーダル」「左手がなぜ保持されるか。単語間の修飾関係？」
• 14:25  #spwit (3) 坊農さん「告知：10月31日から日本手話学会＠東大駒場」
• 14:27  #spwit (3) 坊農さん質疑「マウジングとマウスジェスチャーを区別することが重要？後者は言語情報。前者はパラ言語。個人差もある？」「マウジングはプロソディ。マウスジェスチャは完了の意味付加など」「ジェスチャというよりも言語？文法情報」
• 14:29  #spwit (3) 坊農さん質疑「マウジングの再説明を」「相手が聴者でなくてもマウジングは出てくる。聞き手の理解のため。いま私は言い直しているよ、強調しているよ、という表現」
• 14:30  #spwit (3) 坊農さん質疑「外国語でも？」「イスラエルとアメリカの手話の報告あり。たくさん出る。日本語音声との接触に影響を受ける？」
• 14:32  #spwit (3) 坊農さん質疑「ビデオの人は日本語の発話訓練を受けた手話話者？」「Yes」「日本のろう教育：口話の指導が徹底している」「高齢のろう者は聾学校で手話を禁止されていない」
• 14:32  #spwit 最初のセッション終了。休憩。 http://bit.ly/hSIoW
• 14:46  #spwit (4) ［招待講演］「リアルタイム字幕放送のための音声認識」今井 亨さん（NHK）
• 14:54  #spwit (4) 今井氏「NHKで生放送のオンライン字幕がどのようにつくられているか」「デジタル放送の説明。字幕放送の行政指針」「生放送以外は字幕義務化」「2007年～2017年の総務省指針＝生放送を含む7時から24時の番組すべてに字幕付与」
• 14:56  #spwit (4) 今井氏「総務省指針の例外＝複数人が同時に会話を行う生放送番組を除く」「2008年度実績。NHK総合49.5%。民放平均44.3%」
• 14:57  #spwit (4) 今井氏「オフライン番組。パソコン上で人手で字幕入力。いろいろ工夫している。30分番組に数時間かかる」
• 14:58  #spwit (4) 今井氏「オフライン字幕の試写を3回する。本人、スーパーバイザー、ディレクター」
• 15:00  #spwit (4) 今井氏「オンライン字幕＝「生字幕」。リアルタイムでの日本語入力が必要。2000年に音声認識によるニュース字幕を開始」「キーボードによる方式。3人で連携入力：歌謡番組など。ステノワード：入力者と校正者のペア３組、計６人」
• 15:02  #spwit (4) 今井氏「大リーグ野球の実況はダイレクト音声認識で字幕付与。リスピーク音声認識：リスピーカー（字幕専用アナウンサー）１名、修正１名。スポーツ番組など」
• 15:06  #spwit (4) 今井氏「ハイブリッド方式：現在研究中。全体の３割の番組が音声認識困難な自由発話ばかり」「海外の動向：裁判速記用ステノキーボード。音節列を単語スペルに変換」「米のテレビも字幕義務化。BBCはリスピーク方式」
• 15:08  #spwit (4) 今井氏「日本語：カナ漢字変換の壁」「NHKにおける音声認識研究は1969年から。90年代に大語彙連続音声が可能に。1996年に大学等との連携プロジェクト開始。データベース構築。統計的手法」
• 15:10  #spwit (4) 今井氏「2000年に世界初の音声認識字幕放送」「男性と女性の認識を別のエンジンで」「記者が書いた原稿で言語モデルを学習」「記者原稿は赤鉛筆で手修正。そのまま字幕にできない」
• 15:12  #spwit (4) 今井氏「認識率100%でないと許されない。4人で認識誤りの発見・修正」「徐々にスピードワープロと併用」「現在はスピードワープロのみ利用」
• 15:17  #spwit (4) 今井氏「リスピーク方式。場合により要約。番組ごとの言語モデル。キャスターごとの音響モデル」「生放送の料理番組で利用」「見てわかることは省略」「早く出したい、読みやすくしたい」「拍手や歓声、要約筆記と同じような配慮」
• 15:18  #spwit (4) 今井氏「NHK広報番組の紹介」
• 15:23  #spwit (4) 今井氏：NHK広報番組「番組ごとに辞書を管理」「実況を聞きながらリスピーク」「タッチパネル端末で誤り修正、点や丸の付与、話者ごとの文字の色」「限られた文字数でわかりやすく伝える最善の努力」
• 15:24  #spwit (4) 今井氏：NHK広報番組「地上デジタルは字幕ボタンで」
• 15:26  #spwit (4) 今井氏「映像を隠さないためには２行。約３０文字。ページ更新は２秒くらいの周期。アナウンサーが喋る苦労。スポーツ番組の言語モデル。デーモン閣下の相撲中継の発言にも対応」
• 15:28  #spwit (4) 今井氏「ニュース字幕は誤りが許されない。スポーツはそうではない」「研究所で取り組んでいるハイブリッド方式。記者の現場リポートも直接認識できる。インタビューなど項目ごとにハイブリッドとリスピークを切り替え。」
• 15:29  #spwit (4) 今井氏「今の技術なら確認１人とリスピーク１人で対応できる」「ローカル制作のニュース字幕に展開したい」
• 15:32  #spwit (4) 今井氏「最新技術のビデオ。早ければ５秒遅れで字幕送出。インタビューはリスピークに切り替え」
• 15:37  #spwit (4) 今井氏「機材の紹介。音声認識マシンと修正用マシン。タッチすると同音異義語リストが出る。早い人は打ち直す。５分ニュースなら修正者１人で」
• 15:41  #spwit (4) 今井氏「音声認識の要素技術の紹介。逐次早期確定。音響モデルの識別学習。音素認識による発話区間検出。言語モデルを番組中に自動更新」
• 15:43  #spwit (4) 今井氏「今後。0.1%の誤りは許容される。インタビュー、特に「街の声」は難しいが、オープンキャプションがある」「認識の難しさを決める条件：誰が、何を、どこで、どんなふうに喋るか＝３Ｗ１Ｈ」
• 15:46  #spwit (4) 今井氏「難易度中＝クローズアップ現代、生活ほっとモーニング」「報道系対談番組の自由発話＝発声変形に対応した学習、対談向け言語モデル、誤り修正のデコーダへのフィードバック、話者識別」
• 15:50  #spwit (4) 今井氏「課題：複数話者オーバラップ、外国語」「進行表１枚の事前情報から言語モデルを作れないか、十分な学習テキストが得られない場合がある」「音声認識の非専門家には言語モデルを作れない」「ダイレクト方式拡充を」「人手修正前提の低コスト化」
• 15:52  #spwit (4) 今井氏「反響：家族で歌番組を楽しめるようになった。スポーツ選手の心理や対話の意味合いがわかる」
• 15:54  #spwit (4) 今井氏質疑「リスピーカーのスキル、養成？最初はアナウンサーＯＢ。現在はアナウンサー志望の人がやっている。野球や相撲などの専門知識が必要。ゼロからは訓練したことがない。訓練は１週間くらい」
• 15:55  #spwit (4) 今井氏質疑「リスピーカー方式ならバラエティでも対応できるのでは？」「リスピークはできるが言語モデルの未知語率などが課題」
• 15:56  #spwit 休憩。 http://bit.ly/hSIoW 次は４時から。
• 16:02  #spwit 最後のセッション http://bit.ly/hSIoW
• 16:04  #spwit (5) 「講義音声認識に基づくノートテイクシステム」河原さん「背景：大学で学ぶ聴覚障害学生が増加」「ノートテイカーの養成が急務」
• 16:06  #spwit (5) 「発話内容をすべて書き起こすことは困難。専門的な講義内容をノートテイカーが理解することは困難。一般教養は容易だが専門の講義は他分野の学生にできない」
• 16:08  講演者によって「先生」にしたり「さん」にしたりする基準が難しいのでtsudaるときの敬称を統一してます。。
• 16:10  #spwit (5) 河原氏「放送との違いは要求されるクオリティ。そこにいる学生がその一瞬見て理解できればよい」「発話スタイルの問題、専門用語の問題」
• 16:15  #spwit (5) 河原氏「モデル適応の先行研究：教科書やスライドの利用」「本研究：同一講師が以前に行った講義の内容を用いる適応」「書き起こしのコストの問題。認識結果の活用？」
• 16:18  #spwit (5) 河原氏「正しく認識された文を自動選択？ノートテイカーが字幕に送った認識結果を使う」「音声認識評価実験。話題語の定義、再現率、適合率」
• 16:24  #spwit (5) 河原氏「選択修正画面。支援実験の説明。手書きノートテイカーと同時に運用。PC２台をLAN接続。音声は無線で伝送」
• 16:30  #spwit (5) 河原氏「評価。手書きテイクの1.8倍のテイク量。平均遅延時間9秒程度。」「学生相談室を通じてヒアリングを実施。手書きよりも分量が多い。数式は無理矢理タイプしなくて良い」
• 16:36  #spwit (5) 河原氏。Julius2IPtalkのデモ「IPtalkの確認修正パレットに音声認識結果を流し込む。このソフトは公開予定」「告知：11月28日に京都大学でシンポジウム」
• 16:37  #spwit プログラム http://bit.ly/hSIoW
• 16:43  #spwit (6) 「音声対話を用いた点字学習システムの開発」柴原さん「点字学習の必要性」「点字学習支援の関連研究」「提案システム＝反復練習。自学自習。ガイドをコンピュータに担わせる」「例：音声入力を点字で確認する」
• 16:49  #spwit (6) 柴原さん「マルチモーダルの階層アーキテクチャの説明。デバイスが交換可能。ユーザの習熟度。ユーザのデータの蓄積」「タスクの記述。データ構造」
• 16:51  #spwit (6) 柴原さん「予想される問題：音声認識率。対策、特定話者のモデル」「ユーザの読み取り誤りを正しく検出する必要。点字パターンの読み取り誤り傾向を考慮した音声認識辞書の動的生成」
• 16:53  #spwit (6) 柴原さん「実装。点字ディスプレイ＝ブレイルメモポケット。音声認識＝Julius。音声合成はGalateaTalk」「C++、Java、Grailsで各階層を記述」
• 16:55  #spwit (6) 柴原さんデモビデオ「（システム）これはなんと書かれているでしょう」点字ディスプレイ呈示「（ユーザ）あ、い」「（しすてむ）正解です・・・」
• 16:59  #spwit (6) 柴原さん質疑「目的に対して使用した枠組みが大がかり？」「標準化の利点。開発の効率」「点字のニーズが減っているのでは？」
• 17:01  #spwit (6) 柴原さん質疑「文章読み取りの学習に進んだら自動点訳が必要？」「２層に組み込む。上の層からは抽象化したい」
• 17:02  #spwit (7) 「構音障害者の音声認識における動的特徴量の考察」宮本さん
• 17:05  #spwit (7) 宮本さん「構音障害とは。不随意運動（アテトーゼ）の説明」
• 17:08  #spwit (7) 宮本さん「音声認識の特徴量。MFCCとデルタMFCCの説明。従来の音響モデルでの構音障害者発話認識は困難」「構音障害者の音響モデルの作成」「デルタMFCCの認識率が低い。健常者と比べて時間変化の表現に問題」
• 17:11  #spwit (7) 宮本さん「デルタMFCCのセグメント特徴量に着目。前後数フレーム分の特徴量を主成分分析＝PCAで次元圧縮」
• 17:15  #spwit (7) 宮本さん「2人の話者で評価。認識精度の改善が見られた」
• 17:15  #spwit (7) 宮本さん「今後の方向性。声質変換で聴き取りやすい声にするなど」
• 17:18  #spwit (7) 宮本さん質疑「個人ごとに特徴量を変えるべき？」「Yes。特定話者でやるべき」「人間は聞いていると聞き慣れてくる。機械学習の可能性を示唆？」
• 17:20  #spwit (7) 宮本さん質疑「セグメント特徴量は健常者音声に効果あり？」「未検討」「PCAでどのような特徴をつかんでいることになる？」
• 17:24  #spwit (7) 宮本さん質疑「音響モデルがモノフォン？」「データが増やせないから」「54音素？」「構音障害者のための音素体系」「デルタ計算の窓幅とセグメント特徴量の関係？」
• 17:25  #spwit (7) 宮本さん質疑「連続音声認識でも有効？」「言いよどみなど、言語モデルの考慮も必要」
• 17:26  #spwit (7) 宮本さん質疑「語彙：210単語」「話者適応で対応できるか？」「検討した。提案手法のほうが高性能」
• 17:31  #spwit 最後に議論。(6) のカリキュラムの作り方について追加質問。これから懇親会。

Powered by twtr2src