Loading article…
話者認識とは、声の特徴から人物を識別することです。[1]これは、「誰が話しているのか」という質問に答えるために使用されます。音声認識[2] [3] [ 4] [5] [6]という用語は、話者認識または音声認識を指す場合があります。話者検証（話者認証とも呼ばれる）は識別と対照的であり、話者認識は話者ダイアライゼーション（同じ話者が話していることを認識すること） とは異なります。
話者を認識すると、特定の音声についてトレーニングされたシステムで音声を翻訳するタスクが簡素化されるほか、セキュリティ プロセスの一環として話者の身元を認証または確認するためにも使用できます。話者認識は 2019 年時点で約 40 年の歴史があり、個人間で異なることが判明している音声の音響特性を利用しています。これらの音響パターンは、解剖学的構造と学習された行動パターンの両方を反映しています。
検証と識別
話者認識技術と方法論には、主に 2 つの用途があります。話者が特定の身元であると主張し、その主張を音声で検証することを、検証または認証と呼びます。一方、識別は、未知の話者の身元を特定する作業です。ある意味では、話者検証は 1 人の話者の音声を特定のテンプレートに一致させる 1:1 マッチングですが、話者識別は音声を複数のテンプレートと比較する 1:N マッチングです。
セキュリティの観点から見ると、識別と検証は異なります。話者検証は通常、安全なシステムへのアクセスを提供するための「ゲートキーパー」として使用されます。これらのシステムはユーザーの認識に基づいて動作し、通常はユーザーの協力が必要です。話者識別システムは、ユーザーの知らないうちに密かに実装され、ディスカッションで話者を識別したり、話者の変更を自動システムに警告したり、ユーザーがすでにシステムに登録されているかどうかを確認したりすることもできます。
法医学的応用では、まず話者識別プロセスを実行して「ベストマッチ」のリストを作成し、次に一連の検証プロセスを実行して最終的な一致を決定するのが一般的です。話者からのサンプルをベストマッチのリストと照合する作業は、類似点や相違点の量に基づいて同一人物であるかどうかを判断するのに役立ちます。検察と弁護側はこれを証拠として使用して、容疑者が実際に犯罪者であるかどうかを判断します。[7]
トレーニング
商業化された最も初期のトレーニング技術の 1 つは、Worlds of Wonderの 1987 年の Julie 人形に実装されました。その時点では、話者独立性は画期的な進歩であり、システムにはトレーニング期間が必要でした。1987 年の人形の広告には、「ついに、あなたのことを理解する人形」というキャッチフレーズが付けられていました。これは、人形が「子供が自分の声に反応するようにトレーニングできる」製品として説明されていたにもかかわらずです。[8]音声認識という用語は、10 年経っても、話者独立性を指していました。[9] [説明が必要]
話者認識のバリエーション
各話者認識システムには、登録と検証の 2 つの段階があります。登録中は、話者の音声が録音され、通常はいくつかの特徴が抽出されて、音声プリント、テンプレート、またはモデルが形成されます。検証段階では、音声サンプルまたは「発話」が、以前に作成された音声プリントと比較されます。識別システムの場合、発話は複数の音声プリントと比較され、最も一致するものを決定しますが、検証システムでは、発話が 1 つの音声プリントと比較されます。このプロセスが関係するため、検証は識別よりも高速です。
話者認識システムは、テキスト依存型とテキスト非依存型の 2 つのカテゴリに分類されます。[10] テキスト依存型認識では、登録と検証の両方でテキストが同じである必要があります。[11]テキスト依存型システムでは、プロンプトはすべての話者に共通 (共通のパスフレーズなど) または一意のいずれかになります。さらに、共有秘密 (パスワードや PIN など) または知識ベースの情報を使用して、多要素認証シナリオを作成することができます。逆に、テキスト非依存型システムでは、特定のテキストを使用する必要はありません。話者の協力がほとんど必要ないため、話者識別に最もよく使用されます。この場合、登録時とテスト時のテキストは異なります。実際、多くのフォレンジック アプリケーションの場合のように、登録はユーザーの知らないうちに行われることがあります。テキスト非依存型テクノロジでは、登録時と検証時に話された内容を比較しないため、検証アプリケーションでは、認証時にユーザーが何を言っているかを判断するために音声認識も使用する傾向があります。 [要出典]テキスト非依存システムでは、音響と音声分析技術の両方が使用されます。[12]
テクノロジー
話者認識はパターン認識の問題です。音声プリントの処理と保存に使用されるさまざまな技術には、周波数推定、隠れマルコフモデル、ガウス混合モデル、パターンマッチングアルゴリズム、ニューラルネットワーク、行列表現、ベクトル量子化、決定木などがあります。発話と音声プリントを比較するには、コサイン類似度などのより基本的な方法が、そのシンプルさとパフォーマンスから伝統的に使用されています。一部のシステムでは、コホートモデルやワールドモデルなどの「反話者」技術も使用されています。スペクトル特徴は、主に話者の特徴を表すために使用されます。[13] 線形予測符号化(LPC) は、話者認識と音声検証で使用される音声符号化方法です。[要出典]
周囲の騒音レベルは、最初の音声サンプルとその後の音声サンプルの両方の収集を妨げる可能性があります。ノイズ低減アルゴリズムを使用して精度を向上させることができますが、誤った適用は逆効果になる可能性があります。音声の動作特性の変化や、1 台の電話で登録して別の電話で検証すると、パフォーマンスが低下する可能性があります。2要素認証製品との統合が増加すると予想されます。経年劣化による音声の変化は、時間の経過とともにシステムのパフォーマンスに影響を与える可能性があります。一部のシステムでは、検証が成功するたびにスピーカー モデルを適応させて音声の長期的な変化を捉えていますが、自動適応によってもたらされる全体的なセキュリティへの影響については議論があります[引用が必要]
法的影響
欧州連合の一般データ保護規則や米国のカリフォルニア州消費者プライバシー法などの法律の導入により、職場での話者認識の使用については多くの議論がなされてきました。2019年9月、アイルランドの音声認識開発会社Soapbox Labsは、それに伴う可能性のある法的影響について警告しました。[14]
アプリケーション
最初の国際特許は1983年に出願されたもので、ミケーレ・カヴァッツァとアルベルト・シアラメラによるCSELT [15] (イタリア)の電気通信研究から生まれたもので、最終顧客への将来の電気通信サービスとネットワーク全体のノイズ低減技術の改善の基礎となるものでした。
1996年から1998年にかけて、スコービー・コロナック国境検問所では、夜間に検査所が閉鎖されているときに、登録された地元住民が申告するものがなくてもカナダとアメリカの国境を越えられるように、話者認識技術が使用されました。 [16]このシステムは、ミシガン州ウォーレンのVoice Strategiesによって 米国移民帰化局向けに開発されました。 [要出典]
2013年、バークレイズのプライベートバンキング部門であるバークレイズ・ウェルスは、コールセンターへの顧客確認の主な手段として音声生体認証を導入した最初の金融サービス会社となった。このシステムは、受動的な話者認識を使用して、通常の会話から30秒以内に電話の顧客の身元を確認した。[17]これは、 AppleのSiri技術の背後にある会社である音声認識会社Nuance（2011年にCSELT自体から音声技術のスピンオフ会社であるLoquendoを買収した）によって開発された。顧客の93％が、速度、使いやすさ、セキュリティの点でこのシステムに「10点満点中9点」を与えた。[18]
話者認識は、2014年にジェームズ・フォーリーやスティーブン・ソトロフらが処刑された事件などの犯罪捜査にも使用される可能性がある。[19]
2016年2月、英国の大手銀行HSBCとそのインターネットベースのリテール銀行First Directは、指紋や音声を使用してオンラインアカウントや電話アカウントにアクセスできる生体認証バンキングソフトウェアを1,500万人の顧客に提供すると発表しました。[20]
2023年にVice NewsとThe Guardianはそれぞれ、対象の音声サンプル約5分から生成されたAI生成音声を使用して、標準的な金融話者認証システムを破ることができることを実証しました。 [21] [22]
参照
- リスト
注記
- ^ Poddar, Arnab; Sahidullah, Md; Saha, Goutam (2017 年 11 月 27 日)。「短い発話による話者認証: 課題、傾向、機会のレビュー」。IETバイオメトリクス。7 ( 2)。工学技術協会 (IET): 91–101。doi :10.1049/iet-bmt.2017.0065。ISSN 2047-4938 。
- ^ ラス、ノーマン J. (1974)。実験音声学。MSS情報コーポレーション。pp. 251–258。ISBN 978-0-8422-5149-5。
- ^ Van Lancker, Diana; Kreiman, Jody; Emmorey, Karen (1985). 「身近な音声認識: パターンとパラメータ パート I: 逆音声の認識」Journal of Phonetics . 13 (1). Elsevier BV: 19–38. doi : 10.1016/s0095-4470(19)30723-5 . ISSN 0095-4470.
- ^ “VOICE RECOGNITION (名詞)の定義と同義語”. macmillandictionary.com . 2010年1月23日. 2023年3月27日時点のオリジナルよりアーカイブ。 2023年10月13日閲覧。
{{cite web}}: CS1 メンテナンス: 不適切 URL (リンク) - ^ 「音声認識とは何か? 定義と意味」。businessdictionary.com 2008年10月6日。2011年12月3日時点のオリジナルよりアーカイブ。
- ^ 「The Mailbag LG #114」Linux Gazette 2005年3月28日。
- ^ ローズ、フィル、オサナイ、タカシ、キノシタ、ユウコ（2003年8月6日）。「法医学的話者識別証拠の強さ：ベイズ尤度比を閾値とする複数話者のフォルマントおよびケプストラムに基づく分節識別」。国際音声言語法ジャーナル。10 （2）。エクイノックス出版：179–202。doi ：10.1558/sll.2003.10.2.179。ISSN 1748-8893 。
- ^ Pinola, Melanie (2011 年 11 月 2 日)。「数十年にわたる音声認識の進化: Siri 誕生の経緯」PCWorld。
- ^ Rosen, Cheryl (1997 年 3 月 3 日)。「旅行予約を簡単にする音声認識」。Business Travel News。
音声認識ソフトウェアの最も初期のアプリケーションはディクテーションでした... 4 か月前、IBM は「継続的なディクテーション製品」を発表しました... 1994 年に National Business Travel Association トレード ショーでデビューしました。
- ^ 「話者認証: テキスト依存型とテキスト非依存型」。Microsoft Research。2017年 6 月 19 日。
テキスト依存型とテキスト非依存型の話者認証は、どちらもエラー率と検出率が同じです。
- ^ Hébert, Matthieu (2008). 「テキスト依存型話者認識」Springer 音声処理ハンドブック. Springer ハンドブック. ベルリン、ハイデルベルク: Springer Berlin Heidelberg. pp. 743–762. doi :10.1007/978-3-540-49127-9_37. ISBN 978-3-540-49125-5. ISSN 2522-8692.
タスク .. 検証または識別
- ^ Myers, Lisa (2004 年 7 月 25 日)。「音声バイオメトリクスの探究」SANS 研究所。
- ^ Sahidullah, Md; Kinnunen, Tomi (2016). 「話者認証のための局所スペクトル変動特性」(PDF) .デジタル信号処理. 50 . Elsevier BV: 1–11. Bibcode :2016DSP....50....1S. doi :10.1016/j.dsp.2015.10.011. ISSN 1051-2004.
- ^ 「音声認識の専門家が職場の音声技術に関する懸念を表明」Independent.ie 2019年9月29日2019年9月30日閲覧。
- ^ US4752958 A、Michele Cavazza、Alberto Ciaramella、「話者検証用デバイス」 https://patents.google.com/patent/US4752958/en
- ^ マイヤー、バーブ（1996年6月12日）。「自動国境通過」テレビニュースレポート。マイヤーテレビニュース。
- ^ International Banking (2013 年 12 月 27 日)。「Voice Biometric Technology in Banking | Barclays」。Wealth.barclays.com。2016年2 月 21 日閲覧。
- ^ Matt Warman (2013 年 5 月 8 日)。「ピンにさよなら: Barclays Wealth で音声認識が採用」 。2013年6 月 5 日閲覧。
- ^ ユエン・マカスキル。「『ジハーディ・ジョン』はスティーブン・ソトロフを殺害したのか？ | メディア」。ガーディアン。 2016年2月21日閲覧。
- ^ Julia Kollewe (2016年2月19日). 「HSBC、銀行顧客向けに音声およびタッチIDセキュリティを導入 | ビジネス」. The Guardian . 2016年2月21日閲覧。
- ^ 「AI生成音声で銀行口座に侵入する方法」2023年2月23日。
- ^ エバーシェッド、ニック、テイラー、ジョシュ（2023年3月16日）。「AIは、センターリンクとオーストラリア税務署による本人確認に使用される音声認識を欺くことができる」。ガーディアン。 2023年6月16日閲覧。
参考文献
- Homayoon Beigi (2011)、「話者認識の基礎」、Springer-Verlag、ベルリン、2011年、ISBN 978-0-387-77591-3。
- 「映画に見る生体認証」 –国立標準技術研究所
- エリザベス・ゼッターホルム（2003）「音声模倣。知覚的錯覚と音響的成功に関する音声学的研究」、博士論文、ルンド大学。
- Md Sahidullah (2015)、「サブバンドエネルギーのブロックレベル、相対的、時間的情報を使用した話者認識パフォーマンスの向上」、博士論文、インド工科大学カラグプル校。
外部リンク
- 音声認証の回避 2008 年 6 月 10 日にWayback MachineにアーカイブPLA ラジオ ポッドキャストでは最近、基本的な音声認証システムを騙す簡単な方法が紹介されました。
- 話者認識 – Scholarpedia
- アクセス制御における音声認識の利点と課題
ソフトウェア
- ボブ・バイオ・スピア
- アリゼ