Oscar Auの「なぜ anti-forensicを研究する必要があるのか」という質問に、「私の最初の話を聞いてなかっただろう？」という切り返しで場内から笑いが。
コーヒーブレイク。
午前後半は音声ドキュメント関係のセッションを聞く。
Spoken Document Analysis and Retrieval
Improved Speech Summarizaon and Spoken Term Detection woth Graphical Analysis of Utterance Similarities (National Taiwan U)
単語検出と文書要約を両方とも「発話をランキングする課題」ととらえて、統合的に扱う試み。音声ドキュメントの発話をノードとして、発話の関連度をアーク
としたグラフを作り、その関係を使って単純なスコアを補間する。単語検出では「関連度」に音響的な類似性を使い、文書要約では「関連度」に話題の関連性を
使う。プレゼンでは式がたくさんでてきたが、説明が足りずよく理解できなかった。疑似関連性フィードバックよりもよい、という主張。
Broadcast News Story Segmentation Using Probabilitic Latent Semantic
Analysis and Laplacian Eigenmaps (Northeastern Polytechnical U)
放送ニュースをストーリーに区切る。Hearst法が基本だが、特徴ベクトルがスパースなので、PLSAで次元を圧縮する。さらに、Laplacian
Eigenmap法を使って、似た文が近い座標になるように次元を低減する。最後に、ストーリーの数を決めて、DPによって区切りを決める。LE法の原理
がよく理解できなかったが、面白そうだ。
An Iterative Approach to Model Merging fo Speech Pattern Discovery (Nanyang Tech U)
音声中から繰り返し現れるパターンを発見する。情報量基準に基づき、サブワードも音声中から自動的に獲得する(ASM）。ASM作成には、音声の自動セグ
メンテーション、クラスタリング、HMM学習を繰り返す。次に、情報量基準を使ってモデルを連結し、パターンを検出する。最後に、発見したモデルの中から
有望そうなものを選ぶ。タスクはTIDIGIT。検出できたパターンはF-measureで0.8前後。
WEB Page Collection Using Automatic Document Segmentation for Spoken Document Retrieval (U of Yamanashi)
西崎先生。Webベースのドキュメント拡張による音声ドキュメント検索性能の改善。元の音声に複数の話題が含まれていることを考慮し、音声を話題に分割し
て、それぞれのセグメントに関連する文書をWebからダウンロードする。クエリ生成は頻出n-gram。各セグメントに対してインデックスを作る。検索エ
ンジンはGETA。文書自体のインデックスとWebインデックスでそれぞれ検索して、検索結果を統合する。検索はセグメントごとで、結果を文書に対して統
合するようだ。文書を分割することで、よりWebインデックスに重みをかけても性能が低下しにくくなる。
Topic Classification of Spoken Inqueries Based on Stacked Generalization (NAIST)
鹿野研。たけまるシステムで、入力音声を話題に分類し、特定分類の用例とだけ照合する。去年も同じ目的の発表を聞いた気がする。去年は複数の認識器での認
識結果の比較だったが、今回は複数の認識器(SVM, ME, pboost)の出力結果をさらに線形SVMによって統合して分類する(Stacked
Generalization)。子供発話の場合書き起こしで0.6ポイント、認識結果で1ポイントほど向上。大人の場合はそれぞれ0.2ポイントと
0.9ポイント。
Multi-Modal Interfaces using Speech Recognition and Technology
Mulimodal Speech and Audio User Interdace for K-12 Outreach (U Illinois at Urbana-Champaign)
子供の多いオープンハウスなどで動かせる音声インタフェースによるだしもの。音声認識ゲーム、イントネーションゲーム、Timeliner(スペクトログ
ラムを使った宝探し）。スコアを付箋に書いて壁に貼る（高さがスコアの大小に対応）。ゲームとして魅力的にするために、「競争」「協力（ハイスコアリスト
でもよい）」「社会的インタラクション」が重要。
A Configurable Dialogue Platform for ASORO Robots (Inst. Infocomm Research)
ロボット用音声対話プラットフォームAPOLLO。様々なロボットに対応できる。図がよく見えなかった。記述はXMLベース。音声認識、合成、言語理解などのモジュールがプラグインとして実現されている構造のようだ。時間以上にしゃべって終了。
Multimodal Dialog System for Kyoto Sightseeing Guide (NICT)
柏岡さん。NICTの京都観光案内システム。まずiPhoneアプリのAssisTraの紹介（Hanna no Guide、KyoTra,
TraMemo）。AssisTraのマルチモーダルバージョン。全体アーキテクチャ、視線認識（モデルベース）、視線はポインティングデバイス代わりに
使う。また、頭の向き（首を傾げるなど）からユーザの態度（疑問、否定など）を推定する。画面に出ていた謎の萌えキャラがHannaなんだろうか。
Info-concierge: Proactive Multi-modal Interaction through Mind Probing (Nagoya U)
直前のNICTのマルチモーダル対話システムとほぼ同じもの（共同研究らしい）。確か音響学会でも聞いたような。視線と音声から予測的にインタラクション
を行う。こちらのシステムでは、カーソル代わりに萌えキャラではなく目玉が出てくる。大スクリーンの情報提示において、視線検出にもとづいて、どこの情報
を推薦すべきかを決める。
Development and Operation of Speech-Oriented Information Guidance Systems, Kita-chan and Kita-robo (NAIST)
川波先生。キタちゃんとキタロボの説明。キタちゃんとキタロボへの話しかけ内容の年齢層による違い。子供はほとんど同じ内容だが、大人はキタロボに対してはロボット自体に関する内容が多い。
この後、午後その2のセッション。千葉君が発表なので、ポスターを貼った後、そのセッションを聞く。
Speech, Language and Audio (聞いたものだけ)
Audio Bandwidth Extension based on Maximum Lyapnov Prediction (Beijing U of Tech)
オーディオ信号の帯域拡張。適当な間隔を置いてサンプリングしたサンプルが多次元のベクトルだと思って、その挙動がカオスに近づくようにスペクトルを調整
する。自然な高域を含む信号がカオス的挙動をすることを利用するらしい。G.711.1に提案法を適用して有効性を確認。説明の学生さんに話を聞いたら埒
があかなかったところ、指導者のChangchung Bao先生が説明してくれた。そういえば去年のAPSIPAでもこの先生と議論した覚えが。
Data Pre-processing in Emotional Speech Synthesis by Emotion Recognition (A*STAR)
感情音声合成のためのデータベースを作るのに、まず学習データに対して感情音声認識を実行し、感情がよく表れているデータだけをデータベースとして使うという方法。
Out-of-task Utterance Detection Based on Bag-of-Words Using Automatic Speech Recognition Results (NAIST)
川波先生が説明。たけまるくんへの発話がタスク外かどうかの判別。これまではタスク外発話には「すみません、わかりません」と答えていたそうだけど、それ
はタスク外発話判別ができていたということじゃなかろうか。それはともかく、提案法ではまず収集した発話をタスク内とタスク外に分け、Bag of
Wordを特徴量としてSVMを学習する。単純な方法だけどそれなりの性能。用例データベースの文との類似度の最大値に閾値をもうけるやり方と比べてどう
なのかが知りたいところ。
Spectral Transformation of Singing Voice by Dynamic Frequency Warping (A*STAR)
通常音声のスペクトルを歌声のスペクトルに変換する。通常発話と歌声のパラレルコーパスから周波数軸の非線形な対応関数をDPで求め、それを使って通常音
声の周波数軸を歪めることで歌声に近づける。この方法だと、Singer's
Formantのように「なかったフォルマントが現れる」場合に対応できないのではないかとコメントした。
Transformation-based Accented Speech Modeling using Articulatory
Attributes for Non-Native Speech Recognition (National Cheng Kung U)
中国語方言音声の認識。ついでなので、中国語の方言音声がどういうものか教えてもらった。適応用の方言音声があったときに、MLLRで標準語音声から適応
して方言モデルを作るのだが、認識性能が低そうなモデルは削除し、最終的に標準語モデルと方言モデルを混ぜてモデルを作る。方言音声だけでなく標準語音声
の認識性能も上がる。それは要するにデータと混合数が増えた効果じゃないの？というコメントをした。
Find out What a User Doing Before the First Utterance: Discrimination
of User's Internal State Using Non-verbal Information (Tohoku U)
うちの千葉くんが発表。音声対話が始まる前に、ユーザが困っているかどうかを検出。音情報、『間』、顔向き特徴を使う。
Segmentation of Speech Signals in Template-based Speech to Singing Conversion (A*STAR)
通常音声から歌声音声への変換をするための音声セグメンテーション。音素ラベルの付いたテンプレート音声を用意して、それとのDPで入力音声をセグメンテーションする。はっきり言って何が新しいのかわからん。
Audio Classification Algorithm Based on Nonlinear Characteristics Analysis (Beijing U of Tech)
さっきの帯域拡張と同じ研究室。音信号のカオス的挙動を特徴量として音信号の分類をする。分類は、noise-like, transient, harmonic, mixedの4つ。原理はよくわからない。
Unsupervised Cross-Adaptation Approach for Speech Recognition by
Combined Language Model and Acoustic Model Adaptation (Yamagata U)
小坂先生。音響モデルと言語モデルの教師なし適応をどうやれば効果的かをいろいろ調べた。クロスバリデーション的に適応するのを1つの適応単位として、そ
れを使って音響モデルを適応した結果を使って言語モデルを適応し、言語モデルを適応した結果で音響モデルを適応する処理を繰り返す。おもしろいが、すごく
計算量が多そう。
Introducing More Features to Improve Chinese Shift-Reduce Parsing (Tsinghua U)
自然言語のLRパージングによる決定的解析。文法に曖昧性があるので、ある時点でどういうアクションをとればいいのかをSVMで識別する。また、中国語に
対応して、通常のshiftとreduceの処理のほかに、2個reduceとかの変なアクションを追加した。アクション識別のためにさまざまな特徴を加
えて評価。
コーヒーブレイクの後、Language Learning と Speech Signal Processing のどちらを聞くか迷ったが、Speech Signal Processingの方を聞くことに。もう片方は千葉君にお任せ。
Audio and Speech Signal Processing
Computationally Efficient Body-Conducted Voice Conversion with Original Excitation Signals (NAIST)
戸田先生。NAM音声変換の最近の成果。NAMを通常音声に変換する際に、通常はSTRAIGHTを使うが、計算量が多い。少ない計算量で変換をするため
に、まずNAM音声から生成した予測残差を通常音声を駆動するために使う。また、分析はFFTでやりたいが生成にはSTRAIGHTスペクトルを使いたい
ので、NAM音声のFFTメルケプストラムを通常音声のSTRAIGHTスペクトル（の差？）に変換するモデルを学習する。
Blind Dereverberation Based on Generalized Spectral Subtraction by Multi-channel LMS Algorithm (Shizuoka U)
甲斐研。過去フレームからの後期残響の影響を一般化SSによって取り除く。マルチチャネルLMSアルゴリズムで長時間のインパルス応答を推定し、それを
使って過去フレームから現在のフレームへの影響を推定し、その部分を現在のフレームのスペクトルから引き去る。またMFTのソフトマスクを使って、後期残
響っぽい部分のスペクトルの大きさを小さくする。性能をLVCSRで評価。質問に答えられなくてかわいそうだった。
Spectral Magnitude Adjusted Data Hiding in MCLT Domain of Audio Signal for Robust Acoustic Data Transmission (Seoul U)
音信号に対する空気伝搬耐性を持つデータハイディング。MCLT（MDCTの複素数版みたいなもの？）を使って信号の移送に情報を埋める。オーバーラップ
による位相の変化の影響を軽減するために、「重ね合わせたときに」位相がねらって部分にくるように前後のフレームの位相もいじる。また、その影響による振
幅の変化を押さえるようにフレーム内の振幅を調整する。ビットレートは561bps。PEAQ値は-0.85で、かなり高い（振幅調整をしないと
-1.43）。
Analysis for Vibrato with Arbitrary Shape and its Application to Music (Inst. Infocomm Research)
ビブラートの分析と検出方法。TANDEM-STRAIGHTを使ってF0を検出した後、F0の自己相関を使ってビブラートを検出し、ビブラート周期と深
さを推定する。分析の結果、歌声のビブラートの周波数と深さには弱い負の相関があった。楽器の場合は周波数にはほとんどばらつきがない。また、分析したビ
ブラートを合成音声に適用してみた。結果の図の見方がよくわからなかった。
Lossless Audio Coding Using Code-Excited Linear Prediction with Embedded Entropy Coding (CUHK)
No Show.
