多人数ビデオ会話における非言語情報に基づく次話者予測

抄録

本研究では，ビデオ会話での次話者予測に取り組む．従来，対面対話の次話者予測のために，頭部動作や視線等の非言語特徴が使用される．しかし，ビデオ会話では，これらの動作変化が小さいため，高精度な次話者予測は困難である．また，非言語特徴量は個人性があるため，参与者組に対し頑健な次話者予測には，参与者の組み合わせに富んだ学習データが求められる．しかし，従来研究の学習データは収録データのみから構成されるため，含まれる参与者組の数に限度がある．以上から，提案手法では，1) ビデオ会話でも有用な特徴量の導入と，2) 学習データ中の参加者組の疑似拡張を行う．ビデオ会話データを用いた次話者予測実験により，提案手法の有用性を検証する．