画像変換データと U-Net を用いた多話者環境から特定話者の音声強調の検討

抄録

雑音を含んだ音声を画像に変換し，完全畳み込みネットワークの一つ U-Net を用いて雑音を除去する方法が提案されている．筆者らは既にこの手法を用いて，人の音声に加え各種雑音に対する除去実験を行っている．いずれの実験においても，良好な結果が得られた．本検討では，会議中に特定人物の音声を強調し，記録を残すことを想定した．または，緊急アナウンスの発話者の音声や避難時の誘導員の音声を強調し，文字に変換することで耳の聞こえない人に伝えることも想定した．複数の学習のためのデータセットを作成し，複数人(6 人まで)の音声から特定話者の音声に対する音声強調モデルを作成した．そして，音声を再生することにより，混合音声データ中の特定人物の強調発話が可能であることを確認した．