JP2003099084A - 音声による感情合成方法及び装置 - Google Patents
音声による感情合成方法及び装置Info
- Publication number
- JP2003099084A JP2003099084A JP2002206011A JP2002206011A JP2003099084A JP 2003099084 A JP2003099084 A JP 2003099084A JP 2002206011 A JP2002206011 A JP 2002206011A JP 2002206011 A JP2002206011 A JP 2002206011A JP 2003099084 A JP2003099084 A JP 2003099084A
- Authority
- JP
- Japan
- Prior art keywords
- low
- signal
- audio signal
- sequence
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 38
- 230000008451 emotion Effects 0.000 claims abstract description 132
- 238000001914 filtration Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims description 108
- 230000005236 sound signal Effects 0.000 claims description 83
- 238000000605 extraction Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims 2
- 238000005070 sampling Methods 0.000 abstract description 3
- 239000011295 pitch Substances 0.000 description 41
- 230000013016 learning Effects 0.000 description 34
- 238000002474 experimental method Methods 0.000 description 28
- 230000002996 emotional effect Effects 0.000 description 20
- 238000005259 measurement Methods 0.000 description 20
- 241000282414 Homo sapiens Species 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 241000282412 Homo Species 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 238000011160 research Methods 0.000 description 9
- 241000665848 Isca Species 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000008921 facial expression Effects 0.000 description 7
- 238000007418 data mining Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000001755 vocal effect Effects 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 238000013019 agitation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000027387 rhythmic behavior Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010048909 Boredom Diseases 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 208000027534 Emotional disease Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000288113 Gallirallus australis Species 0.000 description 1
- DIWRORZWFLOCLC-UHFFFAOYSA-N Lorazepam Chemical compound C12=CC(Cl)=CC=C2NC(=O)C(O)N=C1C1=CC=CC=C1Cl DIWRORZWFLOCLC-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 102100035115 Testin Human genes 0.000 description 1
- 101710070533 Testin Proteins 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 210000003477 cochlea Anatomy 0.000 description 1
- 210000005079 cognition system Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000001002 parasympathetic nervous system Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002630 speech therapy Methods 0.000 description 1
- 210000002820 sympathetic nervous system Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
- G10L13/10—Prosody rules derived from text; Stress or intonation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
Landscapes
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Manipulator (AREA)
- Toys (AREA)
- User Interface Of Digital Computer (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】 （修正有）
【課題】短い発声や、音響的に悪い環境での発話であっ
ても、軽い作業負荷で感情を正確率よく識別できる方法
と装置の提供。 【解決手段】感情認識は、音声信号に由来する少なくと
も１つの特徴からなるセットを抽出（７０）し、抽出さ
れた特徴のセットを処理（８４，９０）して、そこから
感情を検出することによって行われる。また、上記セッ
ト内の少なくとも１つの特徴を抽出する前に、音声信号
をローパスフィルタ処理するステップをさらに有する。
ローパスフィルタ処理のカットオフ周波数は、典型的に
は２５０Ｈｚ周辺である。また、上記特徴は、例えばサ
ンプリングされた上記音声信号の強度又はピッチから抽
出された統計的特徴である。
ても、軽い作業負荷で感情を正確率よく識別できる方法
と装置の提供。 【解決手段】感情認識は、音声信号に由来する少なくと
も１つの特徴からなるセットを抽出（７０）し、抽出さ
れた特徴のセットを処理（８４，９０）して、そこから
感情を検出することによって行われる。また、上記セッ
ト内の少なくとも１つの特徴を抽出する前に、音声信号
をローパスフィルタ処理するステップをさらに有する。
ローパスフィルタ処理のカットオフ周波数は、典型的に
は２５０Ｈｚ周辺である。また、上記特徴は、例えばサ
ンプリングされた上記音声信号の強度又はピッチから抽
出された統計的特徴である。
Description
【０００１】本発明は、感情認識の分野に関し、より詳
細には、音声信号から感情を検出する方法及び装置に関
する。今日では、例えばマンマシンインターフェースの
コミュニケーション手法をより自然且つ直観的なものに
するためなど、人間の（又は合成された又は動物の）音
声により伝達される感情を検出する技術的手段が必要と
なるアプリケーションが非常に増えてきている。例え
ば、ペット型ロボットやヒューマノイドの行動は、実際
の生物のそれに非常に近づいている。この観点から、ロ
ボットに対して、何らかの基本感情、例えば「平静（ca
lm）」、「喜び（happiness）」、「悲しみ（sadnes
s）」、「怒り（anger）」などを伴った発声を識別する
ことを要求するのは自然なことである。また、その他の
アプリケーションとしては、教育、訓練、スピーチ療法
や、装置、乗り物、道具等の人間による制御が挙げられ
る。
細には、音声信号から感情を検出する方法及び装置に関
する。今日では、例えばマンマシンインターフェースの
コミュニケーション手法をより自然且つ直観的なものに
するためなど、人間の（又は合成された又は動物の）音
声により伝達される感情を検出する技術的手段が必要と
なるアプリケーションが非常に増えてきている。例え
ば、ペット型ロボットやヒューマノイドの行動は、実際
の生物のそれに非常に近づいている。この観点から、ロ
ボットに対して、何らかの基本感情、例えば「平静（ca
lm）」、「喜び（happiness）」、「悲しみ（sadnes
s）」、「怒り（anger）」などを伴った発声を識別する
ことを要求するのは自然なことである。また、その他の
アプリケーションとしては、教育、訓練、スピーチ療法
や、装置、乗り物、道具等の人間による制御が挙げられ
る。
【０００２】現在までこの感情認識分野でなされている
研究の殆ど（全てではない）は、人間によって読まれた
テキストにおける感情を検出することに傾注しており、
そのテキストは短い発声というよりは一般的にパラグラ
フというべきものである。また、その発声（recitatio
n）は、防音室のようなよい環境下でなされたものであ
る。
研究の殆ど（全てではない）は、人間によって読まれた
テキストにおける感情を検出することに傾注しており、
そのテキストは短い発声というよりは一般的にパラグラ
フというべきものである。また、その発声（recitatio
n）は、防音室のようなよい環境下でなされたものであ
る。
【０００３】ところで、近年、個人用ロボットの開発が
非常に発展してきており、新たな教育技術（Druin A.,H
endler J. (2000) "Robots for Kids: Exploring new t
echnologies for learning", Morgan Kauffman Publish
ers 参照）や、純粋なエンターテイメント（Fujita M.,
Kitano H. (1998) "Development of an autonomous qua
druped robot for robot entertainment", Autonomous
Robots, 5; Kusahara.M. (2000) "The art of creating
subjective reality: an analysis of Japanese digit
al pets, in Boudreau E.,ed., in Artificial Life 7
Workshop Proceedings, pp.141-144 参照）の用途に用
いられている。
非常に発展してきており、新たな教育技術（Druin A.,H
endler J. (2000) "Robots for Kids: Exploring new t
echnologies for learning", Morgan Kauffman Publish
ers 参照）や、純粋なエンターテイメント（Fujita M.,
Kitano H. (1998) "Development of an autonomous qua
druped robot for robot entertainment", Autonomous
Robots, 5; Kusahara.M. (2000) "The art of creating
subjective reality: an analysis of Japanese digit
al pets, in Boudreau E.,ed., in Artificial Life 7
Workshop Proceedings, pp.141-144 参照）の用途に用
いられている。
【０００４】特に、これらのロボットは、犬や猫等の馴
染み深いペットを模していたり（ソニー株式会社のＡＩ
ＢＯを参照）、時には人間型のＳＤＲ３−Ｘ（ソニー株
式会社）のように、人間の子供を模していたりする。
染み深いペットを模していたり（ソニー株式会社のＡＩ
ＢＯを参照）、時には人間型のＳＤＲ３−Ｘ（ソニー株
式会社）のように、人間の子供を模していたりする。
【０００５】これらの装置とのインタラクションは、人
間が従来のコンピュータに対して行ってきたものとは著
しく異なる。従来、人間は、非常に不自然な規則や、キ
ーボード、ダイアログウィンドウといった手段を学習す
る必要があり、コンピュータを動作させるために膨大な
知識を身につけなければならなかった。
間が従来のコンピュータに対して行ってきたものとは著
しく異なる。従来、人間は、非常に不自然な規則や、キ
ーボード、ダイアログウィンドウといった手段を学習す
る必要があり、コンピュータを動作させるために膨大な
知識を身につけなければならなかった。
【０００６】このような個人用ロボットに必要な機能の
うち、最も基本的なものの１つとして、人間の感情を捉
えることが挙げられ（Picard R. (1997) "Affective Co
mputing", MIT Press 参照）、特に人間の感情を認識す
ると共に自身の感情を表現することが必要となる。尤
も、人間を理解する際には感情以外も重要であるが、感
情は社会規範の中心であり（Halliday M. (1975) "Lear
ning hou to mean: explorations in the development
of language, Elsevier, NY 参照）、特に会話の流れを
左右する中心である（orality and gestuality）。
うち、最も基本的なものの１つとして、人間の感情を捉
えることが挙げられ（Picard R. (1997) "Affective Co
mputing", MIT Press 参照）、特に人間の感情を認識す
ると共に自身の感情を表現することが必要となる。尤
も、人間を理解する際には感情以外も重要であるが、感
情は社会規範の中心であり（Halliday M. (1975) "Lear
ning hou to mean: explorations in the development
of language, Elsevier, NY 参照）、特に会話の流れを
左右する中心である（orality and gestuality）。
【０００７】ここで、言葉によるものを除けば、人間は
主として２つの方法で感情を表現することができる。す
なわち、顔の表情の変化と（Ekman,P. (1982) "Emotion
s inthe human face", Cambridge University Press, C
ambridge 参照）、声のイントネーションの変化とであ
る（Banse,R. and Sherer,K.R., (1996) "Acoustic Pro
files in Vocal Emotion Expression, Journal of Pers
onality and Social Psychology, 70(3): 614-636 参
照）。
主として２つの方法で感情を表現することができる。す
なわち、顔の表情の変化と（Ekman,P. (1982) "Emotion
s inthe human face", Cambridge University Press, C
ambridge 参照）、声のイントネーションの変化とであ
る（Banse,R. and Sherer,K.R., (1996) "Acoustic Pro
files in Vocal Emotion Expression, Journal of Pers
onality and Social Psychology, 70(3): 614-636 参
照）。
【０００８】顔の表情に表れる感情を自動で認識する研
究は、現在非常に多くなされているが（A.Samal,P.Iyen
ger (1992) "Automatic recognition and analysis of
himan faces and facial expression: A survay". Patt
ern Recognition, 25(1):65--77 参照）、自動で生成し
機械で認識するための会話のモダリティに関連する研究
は、最近になってなされるようになった（Bosh L.T. (2
000) "Emotions: whatis possible in the ASR framewo
rk ?", in Proceedings of the ISCA Workshop on Spee
ch and Emotion 参照）。
究は、現在非常に多くなされているが（A.Samal,P.Iyen
ger (1992) "Automatic recognition and analysis of
himan faces and facial expression: A survay". Patt
ern Recognition, 25(1):65--77 参照）、自動で生成し
機械で認識するための会話のモダリティに関連する研究
は、最近になってなされるようになった（Bosh L.T. (2
000) "Emotions: whatis possible in the ASR framewo
rk ?", in Proceedings of the ISCA Workshop on Spee
ch and Emotion 参照）。
【０００９】この研究の出発点は、感情と、対応する音
声信号の音響特性に対するその感情の効果との間の音響
的相関を調べるものである（Fairbanks 1940, Burkhard
andSendlemeier 2000, Bense and Sherer 1996 参
照）。
声信号の音響特性に対するその感情の効果との間の音響
的相関を調べるものである（Fairbanks 1940, Burkhard
andSendlemeier 2000, Bense and Sherer 1996 参
照）。
【００１０】これらの報告によると、発話は心理学的な
条件や幾つかの基本的な情動クラスとの相関があること
が判っている。また逆に驚きと怖れ、退屈と悲しみなど
のある特定の感情に関しては違いを見つけることが難し
いことなども報告されている。実際、特定の情動がある
身体的な状態と結びついていることはよくあり（Picard
1997 前掲参照）、機械的な（したがって予測可能な）
影響を発話に対してもたらす。この影響は、特にピッチ
（基本周波数Ｆ０）、タイミング、そして声質に対して
もたらされる。例えば、ある人が怒りや怖れや喜びを覚
えたときは交感神経系が興奮し、心拍数や血圧が上昇
し、口内は乾き、時には筋肉に震えが起こる。こうした
ときには発話は大きく速くなり、高周波成分に強いエネ
ルギーを持つことになる。またある人が退屈や悲しみを
感じているときは、副交感神経系が興奮し、心拍数や血
圧が減少し、唾液が多く分泌される。この結果、発話は
ゆっくりとしたピッチの遅いものになり、高周波成分の
エネルギーは弱くなる（Breazal,C. (2000) Sociable M
achines: "Expressive social exchange between human
s and robots", PhD Thesis, MIT AI Lab. 参照）。
条件や幾つかの基本的な情動クラスとの相関があること
が判っている。また逆に驚きと怖れ、退屈と悲しみなど
のある特定の感情に関しては違いを見つけることが難し
いことなども報告されている。実際、特定の情動がある
身体的な状態と結びついていることはよくあり（Picard
1997 前掲参照）、機械的な（したがって予測可能な）
影響を発話に対してもたらす。この影響は、特にピッチ
（基本周波数Ｆ０）、タイミング、そして声質に対して
もたらされる。例えば、ある人が怒りや怖れや喜びを覚
えたときは交感神経系が興奮し、心拍数や血圧が上昇
し、口内は乾き、時には筋肉に震えが起こる。こうした
ときには発話は大きく速くなり、高周波成分に強いエネ
ルギーを持つことになる。またある人が退屈や悲しみを
感じているときは、副交感神経系が興奮し、心拍数や血
圧が減少し、唾液が多く分泌される。この結果、発話は
ゆっくりとしたピッチの遅いものになり、高周波成分の
エネルギーは弱くなる（Breazal,C. (2000) Sociable M
achines: "Expressive social exchange between human
s and robots", PhD Thesis, MIT AI Lab. 参照）。
【００１１】さらに、これらの身体的影響は万国共通で
あるために、基本的な情動と発話の音響的な特性の間に
は民族や文化に寄らない相関関係が存在すると考えられ
ている。このことは、例えば文献「Abelin A, Allwood
J., (2000) "Cross-linguistic interpretation of emo
tional prosody", in Proceedings of the ISCA Worksh
op on Speech and Emotion」や、文献「Tickle A. (200
0) "English and Japanese speaker's emotion vocalis
ations and recognition: a comparison highlighting
vowel quality", ISCA Workshop on Speech and Emotio
n, Belfast 2000」において詳しく調査されている。こ
れらの研究では、例えばアメリカ人に対して音響的な情
報のみ（発話は意味がないため、意味的な情報はない）
によって他のアメリカ人や日本人の感情を理解させる実
験が行われた。
あるために、基本的な情動と発話の音響的な特性の間に
は民族や文化に寄らない相関関係が存在すると考えられ
ている。このことは、例えば文献「Abelin A, Allwood
J., (2000) "Cross-linguistic interpretation of emo
tional prosody", in Proceedings of the ISCA Worksh
op on Speech and Emotion」や、文献「Tickle A. (200
0) "English and Japanese speaker's emotion vocalis
ations and recognition: a comparison highlighting
vowel quality", ISCA Workshop on Speech and Emotio
n, Belfast 2000」において詳しく調査されている。こ
れらの研究では、例えばアメリカ人に対して音響的な情
報のみ（発話は意味がないため、意味的な情報はない）
によって他のアメリカ人や日本人の感情を理解させる実
験が行われた。
【００１２】同様に、日本人も、他の日本人やアメリカ
人がどのような感情を伝えようとしているかを言い当て
させられた。この結果から、以下の２つの点が明らかに
されている。すなわち、１）同じ言語を話す人か異なる
言語を話す人かによって、伝えられる感情の認識率に変
化はなく、このことは日本人の被験者についてもアメリ
カ人の被験者についてもあてはまる。そして、２）被験
者の認識結果は芳しくなく、最高でも６０％程度であっ
た（なお、この結果は、被験者が非常に不自然な意味の
ない言葉を発するように言われていた事実からある程度
は説明がつくが、意味的には中立であるが意味のある文
を発するようにした研究によっても、この結果は裏付け
られている（Burkhart F., Sendlemeier W.,(2000) "Ve
rification of acoustical correlates of emotional s
peech using formant-systhesis", in Proceedings of
the ISCA Workshop in speech and Emotion 参照））。
人がどのような感情を伝えようとしているかを言い当て
させられた。この結果から、以下の２つの点が明らかに
されている。すなわち、１）同じ言語を話す人か異なる
言語を話す人かによって、伝えられる感情の認識率に変
化はなく、このことは日本人の被験者についてもアメリ
カ人の被験者についてもあてはまる。そして、２）被験
者の認識結果は芳しくなく、最高でも６０％程度であっ
た（なお、この結果は、被験者が非常に不自然な意味の
ない言葉を発するように言われていた事実からある程度
は説明がつくが、意味的には中立であるが意味のある文
を発するようにした研究によっても、この結果は裏付け
られている（Burkhart F., Sendlemeier W.,(2000) "Ve
rification of acoustical correlates of emotional s
peech using formant-systhesis", in Proceedings of
the ISCA Workshop in speech and Emotion 参照））。
【００１３】１つ目の結果は、無意味語によって機械に
感情を表現させ、様々な文化的背景を持つ人にその感情
を正確に伝達させるという目標が理論的に可能であるこ
とを示している。また、２つ目の結果は、完璧な結果は
期待し得ず、機械の成果を人間の成果と関連させて比較
すべきでないことを示している。人間がそれほどよく理
解できないという事実は、主として、幾つかの感情が心
理学的に非常に相関しているため、音響的にも相関する
という事実による。現実の状況では、人間は発話文の内
容、及び／又はその他のモダリティによって、その曖昧
さを解決している。実際、幾つかの実験によって、情動
表現のマルチモーダルな性質により感情のマガーク（Mc
Gurk）効果が得られることや（Massaro D., (2000) "Mu
ltimodalemotion perception : analogous to speech p
rocesses", ISCA Workshop on Speech and Emotion, Be
lfast 2000 参照）、内容が異なれば、人間はそれぞれ
の内容について同じイントネーションであっても異なる
感情を表すと解釈する（Cauldwell R. (2000) "Where d
id the anger go ? The role of context in interpret
img emotions in speech" ISCA Workshop on Speech an
d Emotion 参照）ということが示されている。これらの
発見は、機械がより識別可能な言葉を発する必要がない
ことを示している。したがって、最も基本的は情動につ
いてのみ調べればよい。
感情を表現させ、様々な文化的背景を持つ人にその感情
を正確に伝達させるという目標が理論的に可能であるこ
とを示している。また、２つ目の結果は、完璧な結果は
期待し得ず、機械の成果を人間の成果と関連させて比較
すべきでないことを示している。人間がそれほどよく理
解できないという事実は、主として、幾つかの感情が心
理学的に非常に相関しているため、音響的にも相関する
という事実による。現実の状況では、人間は発話文の内
容、及び／又はその他のモダリティによって、その曖昧
さを解決している。実際、幾つかの実験によって、情動
表現のマルチモーダルな性質により感情のマガーク（Mc
Gurk）効果が得られることや（Massaro D., (2000) "Mu
ltimodalemotion perception : analogous to speech p
rocesses", ISCA Workshop on Speech and Emotion, Be
lfast 2000 参照）、内容が異なれば、人間はそれぞれ
の内容について同じイントネーションであっても異なる
感情を表すと解釈する（Cauldwell R. (2000) "Where d
id the anger go ? The role of context in interpret
img emotions in speech" ISCA Workshop on Speech an
d Emotion 参照）ということが示されている。これらの
発見は、機械がより識別可能な言葉を発する必要がない
ことを示している。したがって、最も基本的は情動につ
いてのみ調べればよい。
【００１４】ところで、コンピュータ技術を用いた音声
処理の実験の多くは、音声のどの特徴が感情を最も正確
に反映しているかを調べるものであった（Murray E. an
d Arnott J.L. (1993) "Towards a simulation of emot
ion in synthetic speech",Speech Communication, 16
(4), pp.1097-1108; Banse R. and Scherer K.R. (199
6) "Acoustic profiles in vocal emotion expressio
n", Journal of Personality and Social Psycology, 7
0(3):616-636; Burkhardt and Sendlmeier (2000)"Veri
fication of acoustical correlate of emotinal speec
h using Formant-synthesis", Proceedings of the ISC
A Workshop in Speech and Emotion; Williams U. and
Stevens K.N. (1972) "Emotions in speech: some acou
stical correlates", JASA 52, 1228-1250 参照）。基
本的には、最も重要な特徴は、例えばピッチ（ｆ０）及
び輪郭（contour）や、強さの輪郭や、発声のタイミン
グなど、韻律に関係するものであるとして一致してい
る。より最近の研究では、声質（Gobl C. and Chasaide
A.N. (2000) "Testing affective correlates of voic
e quality through analysis and resynthesis", in Pr
oceedings of the ISCAWorkshop on Emotion and Speec
h 参照）や、ある種の共発声（co-articulatory）現象
（Kienast M. and Sendlmeier W. (2000) "Acoustical
analysis of spectral and temporal changes in emoti
onal speech", Proceedings of the ISCAWorkshop on E
motion and Speech 参照）も、ある種の感情とよく相関
していることが示されている。
処理の実験の多くは、音声のどの特徴が感情を最も正確
に反映しているかを調べるものであった（Murray E. an
d Arnott J.L. (1993) "Towards a simulation of emot
ion in synthetic speech",Speech Communication, 16
(4), pp.1097-1108; Banse R. and Scherer K.R. (199
6) "Acoustic profiles in vocal emotion expressio
n", Journal of Personality and Social Psycology, 7
0(3):616-636; Burkhardt and Sendlmeier (2000)"Veri
fication of acoustical correlate of emotinal speec
h using Formant-synthesis", Proceedings of the ISC
A Workshop in Speech and Emotion; Williams U. and
Stevens K.N. (1972) "Emotions in speech: some acou
stical correlates", JASA 52, 1228-1250 参照）。基
本的には、最も重要な特徴は、例えばピッチ（ｆ０）及
び輪郭（contour）や、強さの輪郭や、発声のタイミン
グなど、韻律に関係するものであるとして一致してい
る。より最近の研究では、声質（Gobl C. and Chasaide
A.N. (2000) "Testing affective correlates of voic
e quality through analysis and resynthesis", in Pr
oceedings of the ISCAWorkshop on Emotion and Speec
h 参照）や、ある種の共発声（co-articulatory）現象
（Kienast M. and Sendlmeier W. (2000) "Acoustical
analysis of spectral and temporal changes in emoti
onal speech", Proceedings of the ISCAWorkshop on E
motion and Speech 参照）も、ある種の感情とよく相関
していることが示されている。
【００１５】人間の感情の検出に関していえば、人間は
一般的に内容とモダリティの全てを用いて感情を検出し
ている。すなわち、言語学的な内容から顔の表情やイン
トネーションまで全てを用いているが、このような完全
なアプローチは、管理されていない環境下の装置では現
実的でない。例えば、そのような状況下でのロバストな
音声認識は今日のシステムでは到底無理なものであり、
また、顔の表情の認識にはコンピュータリソース及び映
像装置が必要となるが、ロボット生物はこれらを有して
いないことが多い。
一般的に内容とモダリティの全てを用いて感情を検出し
ている。すなわち、言語学的な内容から顔の表情やイン
トネーションまで全てを用いているが、このような完全
なアプローチは、管理されていない環境下の装置では現
実的でない。例えば、そのような状況下でのロバストな
音声認識は今日のシステムでは到底無理なものであり、
また、顔の表情の認識にはコンピュータリソース及び映
像装置が必要となるが、ロボット生物はこれらを有して
いないことが多い。
【００１６】このような理由から、本件出願人は、音声
の韻律情報のみを用いて、どのように感情検出が実現さ
れるかを調査した。さらに、関心を持っている発話は、
日々の会話でなされるようなもの、すなわち短いくだけ
た発話であり、用意されたテキスト、例えば新聞の段落
を感情を込めて読むように言われた場合における発話と
は異なるものである。なお、４つの基本的な情動クラ
ス、すなわち「喜び（joy/pleasure）」、「悲しみ（so
rrow/sadness/grief）」、「怒り（anger）」及び「平
静（calm/neutral）」について研究を行った。
の韻律情報のみを用いて、どのように感情検出が実現さ
れるかを調査した。さらに、関心を持っている発話は、
日々の会話でなされるようなもの、すなわち短いくだけ
た発話であり、用意されたテキスト、例えば新聞の段落
を感情を込めて読むように言われた場合における発話と
は異なるものである。なお、４つの基本的な情動クラ
ス、すなわち「喜び（joy/pleasure）」、「悲しみ（so
rrow/sadness/grief）」、「怒り（anger）」及び「平
静（calm/neutral）」について研究を行った。
【００１７】ここで、顔の表情により感情を自動で認識
する研究（Samal A. and Iyengar P. "Automatic recog
nition and analysis of human faces and facial expr
ession: a survey", Pattern Recognition, 25(1):65-7
7 参照）とは異なり、発話のモダリティを用いる研究は
まだ歴史の浅いものである（Bosh L.T. (2000) "Emotio
ns: what is possible in the ASR framework ?", Proc
eedings of the ISCAWorkshop on Speech and Emotion,
Belfast 2000 参照）。最初になされた研究（Murray a
nd Arnott (1993) "Towards a simulation of emotion
in syntheticspeech: a review on the literature of
human vocal emotion",JASA 93(2),pp.1097-1108, 199
3; Williams U. and Stevens K.N. (1972) "Emotions a
nd speech: some acoustical correlates", JASA 52, 1
238-1250 参照）は、効率的な機械認識装置を作製しよ
うというよりは、寧ろ発話における感情の一般的な質的
音響相関（qualitative acoustic correlates）を研究
するものであった（例えば、「喜び」は「平静」の文章
よりも発話の平均ピッチが高くなるなど）。より最近で
は、感情を計算することに産業上の有用性があることが
次第に知られるようになったことから（Picard, 199
7）、発話における感情を自動で認識する性能を求める
研究が始められてきている（Bosh, 2000）。
する研究（Samal A. and Iyengar P. "Automatic recog
nition and analysis of human faces and facial expr
ession: a survey", Pattern Recognition, 25(1):65-7
7 参照）とは異なり、発話のモダリティを用いる研究は
まだ歴史の浅いものである（Bosh L.T. (2000) "Emotio
ns: what is possible in the ASR framework ?", Proc
eedings of the ISCAWorkshop on Speech and Emotion,
Belfast 2000 参照）。最初になされた研究（Murray a
nd Arnott (1993) "Towards a simulation of emotion
in syntheticspeech: a review on the literature of
human vocal emotion",JASA 93(2),pp.1097-1108, 199
3; Williams U. and Stevens K.N. (1972) "Emotions a
nd speech: some acoustical correlates", JASA 52, 1
238-1250 参照）は、効率的な機械認識装置を作製しよ
うというよりは、寧ろ発話における感情の一般的な質的
音響相関（qualitative acoustic correlates）を研究
するものであった（例えば、「喜び」は「平静」の文章
よりも発話の平均ピッチが高くなるなど）。より最近で
は、感情を計算することに産業上の有用性があることが
次第に知られるようになったことから（Picard, 199
7）、発話における感情を自動で認識する性能を求める
研究が始められてきている（Bosh, 2000）。
【００１８】しかしながら、データマイニング（data m
ining）及び機械学習において発達した近代的なツール
を用いて大規模な研究を行った例はない。実際、多くの
場合には、１つか２つの学習スキームを試すのみであっ
たり（例えば Polzin T., Waibel A. (2000) "Emotion-
sensitive Human-computer Interface", in Proceeding
s of the ISCA Workshop on Speech and Emotion; Slan
ey M., McRoberts G.(1998) "Baby Ears: a recognitio
n system for affective vocalization, in Proceeding
s of ICASSP 1998）、非常に少数且つ単純な特徴のみを
用いるものであったり（Polzin and Waibel 2000, Slan
ey and McRoberts 1998, Breazal 2000, Whiteside 199
7）、小規模なデータベース（各話者につき１００サン
プル以下）を用いるものであったりし（Breazeal; L. A
ryananda (2000) "Recognitionof affective communica
tive intent in robot-directed speech", in proceedi
ngs of the Humanoids conference, 2000; McGilloway
S. et al. (2000) "Aproaching aoutomatic recognitio
n of emotion from voice: a rough benchmark", in Pr
oceedings of the ISCA Workshop on Speech and Emoti
on; Slaney M.,McRoberts G. (1998) "Baby Ears: a re
cognition system for affective vocalisation, in Pr
oceedings of ICASSP 1998）、統計的な学習スキームの
有効性を見落としているかのようであった。
ining）及び機械学習において発達した近代的なツール
を用いて大規模な研究を行った例はない。実際、多くの
場合には、１つか２つの学習スキームを試すのみであっ
たり（例えば Polzin T., Waibel A. (2000) "Emotion-
sensitive Human-computer Interface", in Proceeding
s of the ISCA Workshop on Speech and Emotion; Slan
ey M., McRoberts G.(1998) "Baby Ears: a recognitio
n system for affective vocalization, in Proceeding
s of ICASSP 1998）、非常に少数且つ単純な特徴のみを
用いるものであったり（Polzin and Waibel 2000, Slan
ey and McRoberts 1998, Breazal 2000, Whiteside 199
7）、小規模なデータベース（各話者につき１００サン
プル以下）を用いるものであったりし（Breazeal; L. A
ryananda (2000) "Recognitionof affective communica
tive intent in robot-directed speech", in proceedi
ngs of the Humanoids conference, 2000; McGilloway
S. et al. (2000) "Aproaching aoutomatic recognitio
n of emotion from voice: a rough benchmark", in Pr
oceedings of the ISCA Workshop on Speech and Emoti
on; Slaney M.,McRoberts G. (1998) "Baby Ears: a re
cognition system for affective vocalisation, in Pr
oceedings of ICASSP 1998）、統計的な学習スキームの
有効性を見落としているかのようであった。
【００１９】唯一、前掲した文献「McGilloway S. et a
l. (2000)」において、残りの文献で用いられているよ
うな伝統的／標準的な特徴群以上のものを用いて体系的
なデータマイニングを行おうとしている。すなわち、こ
の文献では、ピッチ及び強度分布、並びに音素若しくは
音節又はピッチ上昇の長さについての平均値、最大値、
最小値、最大値−最小値、分散を用いている。
l. (2000)」において、残りの文献で用いられているよ
うな伝統的／標準的な特徴群以上のものを用いて体系的
なデータマイニングを行おうとしている。すなわち、こ
の文献では、ピッチ及び強度分布、並びに音素若しくは
音節又はピッチ上昇の長さについての平均値、最大値、
最小値、最大値−最小値、分散を用いている。
【００２０】しかしながら、この研究は実験的な基礎を
著しく欠いている。すなわち、１）この研究では３種類
の学習手法（サポートベクターマシン、混合ガウス（Ga
ussian mixtures）、線形判別（linear discriminant
s））しか用いられていない。これらは、無関係な特徴
が多く存在する可能性のあるデータを扱うには決して最
適とは言えず、特に少数の特徴群を最適な効率で抽出す
ることができない。そして、２）この研究は、１つの学
習手法を選択してこの特徴群を調査し、クラス分類に有
用でない特徴を繰り返し除いていくものであった。これ
は、一方には非常に独特の学習スキーム及び選択手順と
関連しているため、特定問題（ad hoc）というべきもの
であるが、他方には適切な特徴群を検出することができ
ない。また、彼らの研究は、被験者が新聞のテキストを
感情を込めて読むように言われてなされた発話に基づく
ものであり、本発明におけるような制約に対応するもの
ではない。
著しく欠いている。すなわち、１）この研究では３種類
の学習手法（サポートベクターマシン、混合ガウス（Ga
ussian mixtures）、線形判別（linear discriminant
s））しか用いられていない。これらは、無関係な特徴
が多く存在する可能性のあるデータを扱うには決して最
適とは言えず、特に少数の特徴群を最適な効率で抽出す
ることができない。そして、２）この研究は、１つの学
習手法を選択してこの特徴群を調査し、クラス分類に有
用でない特徴を繰り返し除いていくものであった。これ
は、一方には非常に独特の学習スキーム及び選択手順と
関連しているため、特定問題（ad hoc）というべきもの
であるが、他方には適切な特徴群を検出することができ
ない。また、彼らの研究は、被験者が新聞のテキストを
感情を込めて読むように言われてなされた発話に基づく
ものであり、本発明におけるような制約に対応するもの
ではない。
【００２１】今日まで、日常的な発話を自動認識する装
置を開発しようとしてきたのは２つの研究グループのみ
である（Breazal 2000 and Slaney et al. 1998 前
掲）。しかし、これらのグループは、非常に小規模なデ
ータベースと非常に少数且つ単純な特徴と２つの学習ア
ルゴリズムしか利用することができなかった。このた
め、この研究のコーパス（corpus）に対する一般的な見
解は、たとえ４種類の基本情動についてのみであって
も、話者が数人いる場合には６０パーセントを超える認
識率は不可能に近いというものである。なお、話者によ
って大きく差があることは、例えば前掲した文献「Slan
ey et al. 1998」に記載されている。
置を開発しようとしてきたのは２つの研究グループのみ
である（Breazal 2000 and Slaney et al. 1998 前
掲）。しかし、これらのグループは、非常に小規模なデ
ータベースと非常に少数且つ単純な特徴と２つの学習ア
ルゴリズムしか利用することができなかった。このた
め、この研究のコーパス（corpus）に対する一般的な見
解は、たとえ４種類の基本情動についてのみであって
も、話者が数人いる場合には６０パーセントを超える認
識率は不可能に近いというものである。なお、話者によ
って大きく差があることは、例えば前掲した文献「Slan
ey et al. 1998」に記載されている。
【００２２】そこで、本発明は、感情を正解率よく識別
する一方で作業負荷が重くなく、ペット型ロボットやヒ
ューマノイド等の小さなシステムにでも実装可能であ
る、発話に基づく感情認識方法及び装置を提供すること
を目的とする。
する一方で作業負荷が重くなく、ペット型ロボットやヒ
ューマノイド等の小さなシステムにでも実装可能であ
る、発話に基づく感情認識方法及び装置を提供すること
を目的とする。
【００２３】本発明の他の目的は、短い発声によって伝
達される感情を識別可能とすることである。
達される感情を識別可能とすることである。
【００２４】本発明のさらなる目的は、ノイズが多く及
び／又は音響的に悪い環境で発話がなされるような、実
際の生活の状況においても処理可能とすることである。
び／又は音響的に悪い環境で発話がなされるような、実
際の生活の状況においても処理可能とすることである。
【００２５】特に第１の側面によれば、本発明は、−音
声信号に由来する少なくとも１つの特徴からなるセット
を抽出し、−抽出された特徴の上記セットを処理してそ
の感情を検出するステップを有し、上記音声信号によっ
て伝達される感情を検出する方法に関連し、上記音声信
号から上記セットの少なくとも１つの特徴を抽出する前
に、上記音声信号をローパスフィルタで処理するステッ
プを有するものである。
声信号に由来する少なくとも１つの特徴からなるセット
を抽出し、−抽出された特徴の上記セットを処理してそ
の感情を検出するステップを有し、上記音声信号によっ
て伝達される感情を検出する方法に関連し、上記音声信
号から上記セットの少なくとも１つの特徴を抽出する前
に、上記音声信号をローパスフィルタで処理するステッ
プを有するものである。
【００２６】このローパスフィルタ処理ステップは、好
ましくは、基本的に１５０乃至４００Ｈｚの範囲である
カットオフ周波数（Ｆｃｏ）で上記音声信号の強度をフ
ィルタリングするものである。このカットオフ周波数
（Ｆｃｏ）は、好ましくは２５０乃至３００Ｈｚの範囲
であり、好ましいカットオフ周波数（Ｆｃｏ）は２５０
Ｈｚである。
ましくは、基本的に１５０乃至４００Ｈｚの範囲である
カットオフ周波数（Ｆｃｏ）で上記音声信号の強度をフ
ィルタリングするものである。このカットオフ周波数
（Ｆｃｏ）は、好ましくは２５０乃至３００Ｈｚの範囲
であり、好ましいカットオフ周波数（Ｆｃｏ）は２５０
Ｈｚである。
【００２７】さらに、特徴抽出ステップは、以下のパラ
メータＩ、II及びIII、すなわち −パラメータＩ： ｉ）ローパスフィルタ処理ステップ後の信号強度、 ii）ローパスフィルタ処理を行わない場合の信号強度、 iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ、及び iv）ローパスフィルタ処理ステップ後の信号のピッチ −パラメータII（音声信号の継続時間に亘って得られた
パラメータＩの数値列から）： １）極小値に対応する数値列の値からなる局所極小値の
系列、 ２）極大値に対応する数値列の値からなる局所極大値の
系列、 ３）局所的な（隣接する）極値を分離する時間値からな
る継続時間長（時間間隔）の系列、及び ４）数値列の全ての連続するサンプル値からなる系列、
そして、 −パラメータIII（パラメータIIの系列から計算され
る） １）平均値 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ４）最大値と最小値との差 ５）分散 ６）中間値 ７）第１の四分位数 ８）第３の四分位数 ９）第３の四分位数と第１の四分位数との差で定義され
る四分位数間範囲 １０）局所微分の絶対値の平均値 の組み合わせで得られた１６０個の特徴から、１以上の
特徴を選択的に抽出するステップを有することが有用で
ある。
メータＩ、II及びIII、すなわち −パラメータＩ： ｉ）ローパスフィルタ処理ステップ後の信号強度、 ii）ローパスフィルタ処理を行わない場合の信号強度、 iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ、及び iv）ローパスフィルタ処理ステップ後の信号のピッチ −パラメータII（音声信号の継続時間に亘って得られた
パラメータＩの数値列から）： １）極小値に対応する数値列の値からなる局所極小値の
系列、 ２）極大値に対応する数値列の値からなる局所極大値の
系列、 ３）局所的な（隣接する）極値を分離する時間値からな
る継続時間長（時間間隔）の系列、及び ４）数値列の全ての連続するサンプル値からなる系列、
そして、 −パラメータIII（パラメータIIの系列から計算され
る） １）平均値 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ４）最大値と最小値との差 ５）分散 ６）中間値 ７）第１の四分位数 ８）第３の四分位数 ９）第３の四分位数と第１の四分位数との差で定義され
る四分位数間範囲 １０）局所微分の絶対値の平均値 の組み合わせで得られた１６０個の特徴から、１以上の
特徴を選択的に抽出するステップを有することが有用で
ある。
【００２８】なお、少なくとも１つの特徴は、パラメー
タＩのｉ）ローパスフィルタ処理ステップ後の信号強
度、又はiv）ローパスフィルタ処理ステップ後の信号の
ピッチに由来する。
タＩのｉ）ローパスフィルタ処理ステップ後の信号強
度、又はiv）ローパスフィルタ処理ステップ後の信号の
ピッチに由来する。
【００２９】より具体的には、上記パラメータＩは、以
下の特徴、 ｉ）ローパスフィルタ処理ステップ後の信号強度、 ii）ローパスフィルタ処理を行わない場合の信号強度、
及び iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ からなることが好ましい。
下の特徴、 ｉ）ローパスフィルタ処理ステップ後の信号強度、 ii）ローパスフィルタ処理を行わない場合の信号強度、
及び iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ からなることが好ましい。
【００３０】これにより、組み合わせによって合計で１
２０個の特徴が得られる。
２０個の特徴が得られる。
【００３１】なお、少なくとも１つの特徴は、パラメー
タＩのｉ）ローパスフィルタ処理ステップ後の信号強度
に由来する。
タＩのｉ）ローパスフィルタ処理ステップ後の信号強度
に由来する。
【００３２】また、より具体的には、上記パラメータII
Iは、以下の５つのパラメータ、すなわち、 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ６）中間値 ７）第１の四分位数 ８）第３の四分位数 からなることが好ましい。
Iは、以下の５つのパラメータ、すなわち、 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ６）中間値 ７）第１の四分位数 ８）第３の四分位数 からなることが好ましい。
【００３３】また、上記特徴抽出ステップでは、以下の
特徴、 −最大値（すなわち全体で最も大きな値） −最小値（すなわち全体で最も大きな値） −中間値 −第１の四分位数 −第３の四分位数 の少なくとも１つを抽出するのが有益である。
特徴、 −最大値（すなわち全体で最も大きな値） −最小値（すなわち全体で最も大きな値） −中間値 −第１の四分位数 −第３の四分位数 の少なくとも１つを抽出するのが有益である。
【００３４】これらは、以下の系列、すなわち
−音声信号をローパスフィルタで処理した後における信
号の強度値の系列、 −音声信号をローパスフィルタで処理しない場合におけ
る信号強度の極小値の系列、 −音声信号をローパスフィルタで処理した場合における
信号のピッチ値の系列、及び −音声信号をローパスフィルタで処理しない場合におけ
る信号のピッチ値の系列 から計算される。
号の強度値の系列、 −音声信号をローパスフィルタで処理しない場合におけ
る信号強度の極小値の系列、 −音声信号をローパスフィルタで処理した場合における
信号のピッチ値の系列、及び −音声信号をローパスフィルタで処理しない場合におけ
る信号のピッチ値の系列 から計算される。
【００３５】なお、この特徴抽出ステップでは、ローパ
スフィルタ処理ステップ後の音声信号とローパスフィル
タ処理を行わない場合の音声信号との両方に由来する特
徴を抽出することも可能である。
スフィルタ処理ステップ後の音声信号とローパスフィル
タ処理を行わない場合の音声信号との両方に由来する特
徴を抽出することも可能である。
【００３６】また、ローパスフィルタ処理ステップ後の
音声信号からのみ特徴を抽出するようにしても構わな
い。
音声信号からのみ特徴を抽出するようにしても構わな
い。
【００３７】ここで、上記特徴セットには、
１：音声信号をローパスフィルタで処理した後における
信号強度の中間値、 ２：音声信号をローパスフィルタで処理した後における
信号強度の平均値、 ３：音声信号をローパスフィルタで処理した後における
信号強度の第３の四分位数、 ４：音声信号をローパスフィルタで処理した後における
信号強度の第１の四分位数、 ５：音声信号をローパスフィルタで処理した後における
信号強度の最大値、及び ６：音声信号をローパスフィルタで処理した後における
信号強度の系列の最大値 の少なくとも１つが含まれる。
信号強度の中間値、 ２：音声信号をローパスフィルタで処理した後における
信号強度の平均値、 ３：音声信号をローパスフィルタで処理した後における
信号強度の第３の四分位数、 ４：音声信号をローパスフィルタで処理した後における
信号強度の第１の四分位数、 ５：音声信号をローパスフィルタで処理した後における
信号強度の最大値、及び ６：音声信号をローパスフィルタで処理した後における
信号強度の系列の最大値 の少なくとも１つが含まれる。
【００３８】本発明の方法は、上記特徴抽出ステップの
前に、上記音声信号から抽出された信号を平滑化するス
テップを有してもよい。
前に、上記音声信号から抽出された信号を平滑化するス
テップを有してもよい。
【００３９】実施例では、本方法は、さらに教師アルゴ
リズムを用いて感情検出アルゴリズムを生成するステッ
プを有する。この教師アルゴリズムは、ローパスフィル
タ処理後の音声信号から抽出された特徴の少なくとも１
つを利用する。
リズムを用いて感情検出アルゴリズムを生成するステッ
プを有する。この教師アルゴリズムは、ローパスフィル
タ処理後の音声信号から抽出された特徴の少なくとも１
つを利用する。
【００４０】また、本方法は、オフライン感情検出アル
ゴリズム及び／又はオンライン感情検出アルゴリズムを
用いて、感情検出装置をプログラムするステップを有し
てもよく、これらのアルゴリズムは、ローパスフィルタ
処理後の音声信号から抽出された特徴の少なくとも１つ
を利用する。
ゴリズム及び／又はオンライン感情検出アルゴリズムを
用いて、感情検出装置をプログラムするステップを有し
てもよく、これらのアルゴリズムは、ローパスフィルタ
処理後の音声信号から抽出された特徴の少なくとも１つ
を利用する。
【００４１】次に、第２の側面によれば、本発明は、
−上記信号に由来する少なくとも１つ特徴からなるセッ
トを抽出する抽出手段、及び −抽出された特徴の上記セットを処理してその感情を検
出する処理手段を備え、音声信号によって伝達される感
情を検出する装置に関連し、音声信号から上記セットの
少なくとも１つの特徴を抽出する前に、上記音声信号を
ローパスフィルタで処理する手段を備えるものである。
トを抽出する抽出手段、及び −抽出された特徴の上記セットを処理してその感情を検
出する処理手段を備え、音声信号によって伝達される感
情を検出する装置に関連し、音声信号から上記セットの
少なくとも１つの特徴を抽出する前に、上記音声信号を
ローパスフィルタで処理する手段を備えるものである。
【００４２】上述した本発明の方法における付加的な特
徴は、必要に応じて変更を加えて上述の装置に適用する
ことができるが、簡単のため繰り返して説明しない。
徴は、必要に応じて変更を加えて上述の装置に適用する
ことができるが、簡単のため繰り返して説明しない。
【００４３】続いて、第３の側面によれば、本発明は、
第２の側面における装置に用いられる（又は第１の側面
における方法の実現に用いられる）音声信号処理装置に
関連し、上記特徴抽出手段にローパスフィルタ処理後の
音声信号を供給するためのローパスフィルタ処理手段を
備える。
第２の側面における装置に用いられる（又は第１の側面
における方法の実現に用いられる）音声信号処理装置に
関連し、上記特徴抽出手段にローパスフィルタ処理後の
音声信号を供給するためのローパスフィルタ処理手段を
備える。
【００４４】本発明及びその利点は、以下に説明する好
ましい実施例と添付図面とにより一層明らかにされるで
あろう。なお、この実施例は、本発明を限定するもので
はない。
ましい実施例と添付図面とにより一層明らかにされるで
あろう。なお、この実施例は、本発明を限定するもので
はない。
【００４５】ところで、本発明の好ましい実施例は、感
情認識のプロセスを話者依存としたものである。これは
産業上の観点から必ずしも欠点ではない。すなわち、例
えば実施例がペット型ロボットを対象としている場合、
ロボットは飼い主（minder）としか交流しない場合があ
る。また、ロボットが飼い主のみしか認識できないとい
う事実も、ロボットと飼い主との協調関係（complicit
y）の源となることから、寧ろ利点となり得る。但し、
本発明の原理は、さらに概要が説明されるように、話者
非依存のアプローチであっても適用可能であることは勿
論である。
情認識のプロセスを話者依存としたものである。これは
産業上の観点から必ずしも欠点ではない。すなわち、例
えば実施例がペット型ロボットを対象としている場合、
ロボットは飼い主（minder）としか交流しない場合があ
る。また、ロボットが飼い主のみしか認識できないとい
う事実も、ロボットと飼い主との協調関係（complicit
y）の源となることから、寧ろ利点となり得る。但し、
本発明の原理は、さらに概要が説明されるように、話者
非依存のアプローチであっても適用可能であることは勿
論である。
【００４６】本実施例は、ペット型ロボットへの応用に
基づくものであり、このロボットは、人間の声における
４つの基本情動、すなわちｉ）「平静（calm）」、ii）
「悲しみ（sad）」、iii）「怒り（angry）」及びiv）
「喜び（happy）」を検出する。
基づくものであり、このロボットは、人間の声における
４つの基本情動、すなわちｉ）「平静（calm）」、ii）
「悲しみ（sad）」、iii）「怒り（angry）」及びiv）
「喜び（happy）」を検出する。
【００４７】Ｆｉｇ.１は、上述した各感情が「感情空
間」のどこに位置するのかを示したものである。この感
情空間では、「力価（valence）」及び「奮起（excitem
ent）」のパラメータがそれぞれ垂直軸２及び水平軸４
に沿って表されている。力価の軸は、ネガティブな値か
らポジティブな値まで有し、奮起の軸は、低い値から高
い値まで有する。また、交点Ｏは、図の中心にあたり、
「平静（calm）／中立（neutral）」の感情に対応す
る。そして、その点から４つの領域が定義され、それぞ
れが以下に示す感情状態を含む。すなわち、「喜び（ha
ppy）／賞賛（praising）」（四分円Ｑ１）は、力価が
ポジティブであり奮起度が高いとして特徴付けられ、
「落ち着き（comfort）／鎮静（soothing）」（四分円
Ｑ２）は、力価がポジティブであり奮起度が低いとして
特徴付けられる。また、「悲しみ（sad）」（四分円Ｑ
３）は、力価がネガティブであり奮起度が低いとして特
徴付けられ、「怒り（angry）／警告（admonishing）」
（四分円Ｑ４）は、力価がネガティブであり奮起度が高
いとして特徴付けられる。
間」のどこに位置するのかを示したものである。この感
情空間では、「力価（valence）」及び「奮起（excitem
ent）」のパラメータがそれぞれ垂直軸２及び水平軸４
に沿って表されている。力価の軸は、ネガティブな値か
らポジティブな値まで有し、奮起の軸は、低い値から高
い値まで有する。また、交点Ｏは、図の中心にあたり、
「平静（calm）／中立（neutral）」の感情に対応す
る。そして、その点から４つの領域が定義され、それぞ
れが以下に示す感情状態を含む。すなわち、「喜び（ha
ppy）／賞賛（praising）」（四分円Ｑ１）は、力価が
ポジティブであり奮起度が高いとして特徴付けられ、
「落ち着き（comfort）／鎮静（soothing）」（四分円
Ｑ２）は、力価がポジティブであり奮起度が低いとして
特徴付けられる。また、「悲しみ（sad）」（四分円Ｑ
３）は、力価がネガティブであり奮起度が低いとして特
徴付けられ、「怒り（angry）／警告（admonishing）」
（四分円Ｑ４）は、力価がネガティブであり奮起度が高
いとして特徴付けられる。
【００４８】ここで、本実施例における制約は、以下の
ように、 −人間はペット型ロボットに対して非常に自由に話しか
け、 −人間は例えば「アイボ！お前は本当に手に負えないロ
ボットだ！」といったような非常に短い文章で発話し、 −その発話をノイズの多い環境下で検出しなければなら
ず、そして、 −数人がロボットと交流する場合には、話者依存か話者
非依存かを選択しなければならない といったものであった。
ように、 −人間はペット型ロボットに対して非常に自由に話しか
け、 −人間は例えば「アイボ！お前は本当に手に負えないロ
ボットだ！」といったような非常に短い文章で発話し、 −その発話をノイズの多い環境下で検出しなければなら
ず、そして、 −数人がロボットと交流する場合には、話者依存か話者
非依存かを選択しなければならない といったものであった。
【００４９】これらの制約の一部は、発話が幼児に対す
るようなものに制限されることを意味している。
るようなものに制限されることを意味している。
【００５０】最初の段階では、これらの目的に最も沿う
ために、研究戦略が決定された。この戦略を要約すれ
ば、 ｉ）単純な特徴、単純なアルゴリズム、そして小規模な
データベースを用いて実験し、 ii）話者依存のケースについて、特徴と学習アルゴリズ
ムとを体系的に調査し、 ａ）一方が男性で他方が女性である２人の話者のサンプ
ルについてのデータベースを用いて、多数の例につい
て、 ｂ）上述の２人の話者のデータベースを用いて、数例に
ついてのみ、そして、 iii）流暢に話すような実際の生活における状況下で実
験を行う というものである。
ために、研究戦略が決定された。この戦略を要約すれ
ば、 ｉ）単純な特徴、単純なアルゴリズム、そして小規模な
データベースを用いて実験し、 ii）話者依存のケースについて、特徴と学習アルゴリズ
ムとを体系的に調査し、 ａ）一方が男性で他方が女性である２人の話者のサンプ
ルについてのデータベースを用いて、多数の例につい
て、 ｂ）上述の２人の話者のデータベースを用いて、数例に
ついてのみ、そして、 iii）流暢に話すような実際の生活における状況下で実
験を行う というものである。
【００５１】研究のデータベース
２人の話者によるくだけた短い感情語からなる非常に大
規模なデータベースを用いて研究が行われた。なお、全
ての実験は無料で利用でき、標準的なデータマイニング
技術を満たすデータマイニングソフトウェアであるＷｅ
ｋａを用いて行われた。このＷｅｋａについての情報
は、ウェブページ（http://www.cs/waikato.ac.nz/〜ml
/）で入手可能である。
規模なデータベースを用いて研究が行われた。なお、全
ての実験は無料で利用でき、標準的なデータマイニング
技術を満たすデータマイニングソフトウェアであるＷｅ
ｋａを用いて行われた。このＷｅｋａについての情報
は、ウェブページ（http://www.cs/waikato.ac.nz/〜ml
/）で入手可能である。
【００５２】十分に大規模なデータベースを持つために
妥協しなければならない点が幾つかあった（Skaney et
al. 1998 或いは Breazal 2000 に記載されている録音
条件は悪く非実用的なものである）。このため、実験的
な研究に用いたデータベースでは、２人のプロフェッシ
ョナルな話者（男声及び女性）を用意した。彼らは２人
とも、多くのラジオ／ＴＶコマーシャルや、映画の日本
語吹き替えやアニメーションで働く声優であった。彼ら
は、短い文或いはフレーズで、例えば「ううん、分かり
ません」、「その通り」、「見て」、「こんにちは」、
「分かりました」、「ご機嫌いかがですか？」、「どん
な食べ物が好きですか？」といったような日常的な発話
を真似るように言われた。また、発声毎にそのフレーズ
を発するような状況を想像しなければならず、その発話
は４つの情動クラス、すなわち、「喜び（joy/pleasur
e）」、「悲しみ（sorrow/sadness/grief）」、「怒り
（anger）」及び「平静（calm/neutral）」の何れかに
対応するものであった。なお、その文章の意味が幾つか
の感情に合うものであれば、各フレーズを対応する感情
で発声することができた。これにより得られたデータベ
ースは、各話者の各感情について２００サンプル、合計
で２０００サンプルからなるものであった。
妥協しなければならない点が幾つかあった（Skaney et
al. 1998 或いは Breazal 2000 に記載されている録音
条件は悪く非実用的なものである）。このため、実験的
な研究に用いたデータベースでは、２人のプロフェッシ
ョナルな話者（男声及び女性）を用意した。彼らは２人
とも、多くのラジオ／ＴＶコマーシャルや、映画の日本
語吹き替えやアニメーションで働く声優であった。彼ら
は、短い文或いはフレーズで、例えば「ううん、分かり
ません」、「その通り」、「見て」、「こんにちは」、
「分かりました」、「ご機嫌いかがですか？」、「どん
な食べ物が好きですか？」といったような日常的な発話
を真似るように言われた。また、発声毎にそのフレーズ
を発するような状況を想像しなければならず、その発話
は４つの情動クラス、すなわち、「喜び（joy/pleasur
e）」、「悲しみ（sorrow/sadness/grief）」、「怒り
（anger）」及び「平静（calm/neutral）」の何れかに
対応するものであった。なお、その文章の意味が幾つか
の感情に合うものであれば、各フレーズを対応する感情
で発声することができた。これにより得られたデータベ
ースは、各話者の各感情について２００サンプル、合計
で２０００サンプルからなるものであった。
【００５３】なお、このデータベースは、サンプルの音
声録音を構成するデジタル形式で保管されたため、任意
のときに各サンプルにアクセスして再生することができ
た。
声録音を構成するデジタル形式で保管されたため、任意
のときに各サンプルにアクセスして再生することができ
た。
【００５４】ここで、上述した全ての研究と同様に、イ
ントネーションに関して測定された２つの主要な特徴は
ピッチと強度とである。
ントネーションに関して測定された２つの主要な特徴は
ピッチと強度とである。
【００５５】Ｆｉｇ.２ａ−２ｃは、２つの物理的なパ
ラメータであるピッチと強度とが、どのように音声信号
に由来するかを示したものである。音声信号は、Ｆｉ
ｇ.２ａに波形エンベロープとして図示されており、こ
れは、マイクロホンの出力から直接、又は音声サンプル
を再生して得られる。この波形は、信号振幅（縦軸）が
時間（横軸）の経過に従って変動したものである。図で
は、信号強度の中間位置が零に相当し、その位置から負
の値（低振幅）又は正の値（高振幅）をとる。
ラメータであるピッチと強度とが、どのように音声信号
に由来するかを示したものである。音声信号は、Ｆｉ
ｇ.２ａに波形エンベロープとして図示されており、こ
れは、マイクロホンの出力から直接、又は音声サンプル
を再生して得られる。この波形は、信号振幅（縦軸）が
時間（横軸）の経過に従って変動したものである。図で
は、信号強度の中間位置が零に相当し、その位置から負
の値（低振幅）又は正の値（高振幅）をとる。
【００５６】ピッチは、音声の主要な性質であり、これ
により音階や音声スペクトルでの位置が決定される。こ
のピッチは、特定の強度を有する純粋なトーンの周波数
として測定され、この場合、通常の耳には、音階や音声
スペクトルにおいて同じ位置にあるように聞こえる。Ｆ
ｉｇ.２ｂにピッチの時間変化を図示する。ここで、ピ
ッチは、特定の時間値における周波数（縦軸）として測
定される。
により音階や音声スペクトルでの位置が決定される。こ
のピッチは、特定の強度を有する純粋なトーンの周波数
として測定され、この場合、通常の耳には、音階や音声
スペクトルにおいて同じ位置にあるように聞こえる。Ｆ
ｉｇ.２ｂにピッチの時間変化を図示する。ここで、ピ
ッチは、特定の時間値における周波数（縦軸）として測
定される。
【００５７】一方、強度は、与えられた周波数スペクト
ルを統合した信号のエネルギーを測定したものである。
Ｆｉｇ.２ｃに強度の時間変化を図示する。ここで、強
度は、デシベル（ｄＢ）で測定される。
ルを統合した信号のエネルギーを測定したものである。
Ｆｉｇ.２ｃに強度の時間変化を図示する。ここで、強
度は、デシベル（ｄＢ）で測定される。
【００５８】さらに、本発明の特徴に従い、上記発話を
伝えるローパスフィルタ処理後の電気信号（以下、音声
信号という）の測定が行われた。
伝えるローパスフィルタ処理後の電気信号（以下、音声
信号という）の測定が行われた。
【００５９】ここで、Ｆｉｇ.３は、音声信号をローパ
スフィルタ処理する可能性がある場合における感情検出
の性能を評価するシステム１を概略的に示したものであ
る。
スフィルタ処理する可能性がある場合における感情検出
の性能を評価するシステム１を概略的に示したものであ
る。
【００６０】音声信号は、マイクロホン６から直接、又
は上述した録音した発話についてのデータベース８から
得られる。後者の場合、各サンプルは例えばハードディ
スクドライブからオーディオフォーマットで選択的に読
み出し可能とされており、オーディオ出力端子１０から
対応する発話のオーディオ信号を得ることができる。マ
イクロホン６又はデータベースのオーディオ出力端子１
０からの信号は、オーディオ増幅ユニット１４のオーデ
ィオ入力端子１２に供給され、インピーダンス整合、前
置増幅、ゲイン制御処理が行われる。このように処理さ
れたオーディオ信号は、オーディオ出力端子１４に送ら
れ、そこからローパスフィルタ１８に供給される。シス
テム１では、ローパスフィルタ１８のカットオフ周波数
Ｆｃｏを調節することができ、その値はカットオフ周波
数選択ユニット２０によって選択される。
は上述した録音した発話についてのデータベース８から
得られる。後者の場合、各サンプルは例えばハードディ
スクドライブからオーディオフォーマットで選択的に読
み出し可能とされており、オーディオ出力端子１０から
対応する発話のオーディオ信号を得ることができる。マ
イクロホン６又はデータベースのオーディオ出力端子１
０からの信号は、オーディオ増幅ユニット１４のオーデ
ィオ入力端子１２に供給され、インピーダンス整合、前
置増幅、ゲイン制御処理が行われる。このように処理さ
れたオーディオ信号は、オーディオ出力端子１４に送ら
れ、そこからローパスフィルタ１８に供給される。シス
テム１では、ローパスフィルタ１８のカットオフ周波数
Ｆｃｏを調節することができ、その値はカットオフ周波
数選択ユニット２０によって選択される。
【００６１】Ｆｉｇ.４は、ローパスフィルタ１８の典
型的な周波数特性を示す図であり、曲線２２は、周波数
範囲に亘って一定の振幅を有する入力について、周波数
に対する伝送されるオーディオ信号レベルの種々の例を
示したものである。ここで、カットオフ周波数Ｆｃｏ
は、半分に減衰する周波数軸上の点として表される。理
想的なカットオフ周波数は、その周波数値を超えたとき
にローパスフィルタが信号を通さなくなるような周波数
である。なお、そのシャープさは、理想的なローパス反
応に近づけるための、例えばフィルタの次元などのフィ
ルタ特性に依存する。
型的な周波数特性を示す図であり、曲線２２は、周波数
範囲に亘って一定の振幅を有する入力について、周波数
に対する伝送されるオーディオ信号レベルの種々の例を
示したものである。ここで、カットオフ周波数Ｆｃｏ
は、半分に減衰する周波数軸上の点として表される。理
想的なカットオフ周波数は、その周波数値を超えたとき
にローパスフィルタが信号を通さなくなるような周波数
である。なお、そのシャープさは、理想的なローパス反
応に近づけるための、例えばフィルタの次元などのフィ
ルタ特性に依存する。
【００６２】また、Ｆｉｇ.５は、カットオフ周波数選
択ユニット２０によって選択されたカットオフ周波数Ｆ
ｃｏに従って、周波数特性がどのように変化するかを示
した図である。３つの曲線２２ａ、２２ｂ、２２ｃは、
それぞれＦｃｏの値が２００Ｈｚ、２５０Ｈｚ、３２０
Ｈｚに対応する。反応曲線の形状は基本的に同じであ
る。Ｆｉｇ.３に示すシステムでは、ローパスフィルタ
のカットオフ周波数は、良いレベルとなるように絶えず
調節可能とされている。なお、カットオフ周波数選択ユ
ニット２０は、フィルタ構成、例えば１個或いは数個の
可変容量ダイオードを変化させるために電気的に制御さ
れる。
択ユニット２０によって選択されたカットオフ周波数Ｆ
ｃｏに従って、周波数特性がどのように変化するかを示
した図である。３つの曲線２２ａ、２２ｂ、２２ｃは、
それぞれＦｃｏの値が２００Ｈｚ、２５０Ｈｚ、３２０
Ｈｚに対応する。反応曲線の形状は基本的に同じであ
る。Ｆｉｇ.３に示すシステムでは、ローパスフィルタ
のカットオフ周波数は、良いレベルとなるように絶えず
調節可能とされている。なお、カットオフ周波数選択ユ
ニット２０は、フィルタ構成、例えば１個或いは数個の
可変容量ダイオードを変化させるために電気的に制御さ
れる。
【００６３】ここで、ローパスフィルタ１８は、演算増
幅器に基づくアナログ回路として構成される。このよう
なカットオフ周波数を調節可能なローパスフィルタは、
本技術分野においてよく知られており、ここでは簡単の
ため説明しない。勿論、例えばデジタルシグナルプロセ
ッサを用いたデジタルフィルタ技術により、ローパスフ
ィルタ機能を得ることも可能であり、これも本技術分野
においてよく知られている。この場合には、入力オーデ
ィオ信号は、フィルタエレクトロニクスで処理するため
にデジタル化される。このフィルタエレクトロニクスで
は、適切にデジタル化された形式で反応曲線２２を生成
する。
幅器に基づくアナログ回路として構成される。このよう
なカットオフ周波数を調節可能なローパスフィルタは、
本技術分野においてよく知られており、ここでは簡単の
ため説明しない。勿論、例えばデジタルシグナルプロセ
ッサを用いたデジタルフィルタ技術により、ローパスフ
ィルタ機能を得ることも可能であり、これも本技術分野
においてよく知られている。この場合には、入力オーデ
ィオ信号は、フィルタエレクトロニクスで処理するため
にデジタル化される。このフィルタエレクトロニクスで
は、適切にデジタル化された形式で反応曲線２２を生成
する。
【００６４】ローパスフィルタ１８からの出力は、特徴
測定ステーション３０におけるオーディオインターフェ
ース２８の第１の入力端子２８ａに供給される。この特
徴測定ステーション３０は、ＰＣベース制御ユニット３
２と協調して動作する機能ユニットとして表されてい
る。
測定ステーション３０におけるオーディオインターフェ
ース２８の第１の入力端子２８ａに供給される。この特
徴測定ステーション３０は、ＰＣベース制御ユニット３
２と協調して動作する機能ユニットとして表されてい
る。
【００６５】また、オーディオ出力端子１６から特徴測
定ステーション３０におけるオーディオインターフェー
ス２８の第２の入力端子２８ｂに直接入力する場合もあ
る。この２つの入力端子２８ａ、２８ｂによって、分離
された入力チャンネルが形成され、これにより特徴測定
ステーション３０は、ローパスフィルタで処理されたオ
ーディオ信号とフィルタ処理されていないオーディオ信
号とを選択的に扱うことができる。
定ステーション３０におけるオーディオインターフェー
ス２８の第２の入力端子２８ｂに直接入力する場合もあ
る。この２つの入力端子２８ａ、２８ｂによって、分離
された入力チャンネルが形成され、これにより特徴測定
ステーション３０は、ローパスフィルタで処理されたオ
ーディオ信号とフィルタ処理されていないオーディオ信
号とを選択的に扱うことができる。
【００６６】ＰＣベース制御ユニット３２は、本システ
ムのインターフェースを形成するモニタ３４及びキーボ
ード３６と、処理、ドライブ及びデータ格納のためのＰ
Ｃタイプコンピュータ３８とから構成される。ここで、
特徴測定ステーション３０は、信号入力端子２８に与え
られる信号から種々の特徴を抽出するためにプログラム
可能とされている。ここで、特徴測定ステーション３０
における特徴抽出は、デジタル処理技術に基づくため、
信号入力端子２８は、内部のアナログデジタル変換器
（ＡＤＣ）４０に接続される。フィルタ処理されたオー
ディオ信号は、その後所望の特徴を抽出するため、後述
するように２進ワードとして処理される。
ムのインターフェースを形成するモニタ３４及びキーボ
ード３６と、処理、ドライブ及びデータ格納のためのＰ
Ｃタイプコンピュータ３８とから構成される。ここで、
特徴測定ステーション３０は、信号入力端子２８に与え
られる信号から種々の特徴を抽出するためにプログラム
可能とされている。ここで、特徴測定ステーション３０
における特徴抽出は、デジタル処理技術に基づくため、
信号入力端子２８は、内部のアナログデジタル変換器
（ＡＤＣ）４０に接続される。フィルタ処理されたオー
ディオ信号は、その後所望の特徴を抽出するため、後述
するように２進ワードとして処理される。
【００６７】特徴測定ステーション３０によって生成さ
れた種々の特徴についての測定値は、データロガー（da
ta logger）４２に格納され、感情認識アルゴリズムで
処理を行う機能ユニット４４によってアクセスされる。
このアルゴリズムは、特徴測定ステーション３０によっ
て抽出された信号特徴に基づいて、音声信号で表現され
ている感情を識別するものである。典型的には、ユニッ
ト４４で評価されるアルゴリズムによって、識別された
感情（平静、喜びなど）と内部パラメータとが示され
る。認識ユニット４４は、種々の感情認識アルゴリズム
を実行し、それぞれの結果と内部パラメータとを生成す
ることができる。
れた種々の特徴についての測定値は、データロガー（da
ta logger）４２に格納され、感情認識アルゴリズムで
処理を行う機能ユニット４４によってアクセスされる。
このアルゴリズムは、特徴測定ステーション３０によっ
て抽出された信号特徴に基づいて、音声信号で表現され
ている感情を識別するものである。典型的には、ユニッ
ト４４で評価されるアルゴリズムによって、識別された
感情（平静、喜びなど）と内部パラメータとが示され
る。認識ユニット４４は、種々の感情認識アルゴリズム
を実行し、それぞれの結果と内部パラメータとを生成す
ることができる。
【００６８】この情報は、結果解析ユニット４６に供給
され、様々なアルゴリズム及び／又は特徴の選択が比較
され、最適な選択が決定される。
され、様々なアルゴリズム及び／又は特徴の選択が比較
され、最適な選択が決定される。
【００６９】なお、特徴測定ステーション３０、データ
ロガー４２、感情認識アルゴリズム実行ユニット４４及
び結果解析ユニット４６は、図にジグザグに描かれた両
方向矢印で示されるように、ＰＣベース制御ユニット３
２によって物理的に実現することができる。
ロガー４２、感情認識アルゴリズム実行ユニット４４及
び結果解析ユニット４６は、図にジグザグに描かれた両
方向矢印で示されるように、ＰＣベース制御ユニット３
２によって物理的に実現することができる。
【００７０】さらにシステムは、得られた最適な結果に
基づいて種々の感情認識システムをプログラムするプロ
グラムユニットＰＵを有する。このため、このプログラ
ムユニットＰＵは、ＰＣベース制御ユニット３２やその
他のユニットと共に結果解析ユニット４６にも接続され
ており、全てのアルゴリズム、パラメータ設定、抽出す
る特徴、その他の最適条件を記録することができる。こ
こで、この情報は、所定のプロトコルに従って記録さ
れ、プログラムデータがペット型ロボットのような感情
感応性システムの適切なプログラミングインターフェー
スにダウンロード可能とされている。プログラムユニッ
トＰＵは、システムの他の部分から分離可能とし、その
場でプログラミングするために持ち運びできるように構
成され、及び／又はディスクや半導体メモリといった携
帯型記録媒体上にプログラミングデータを生成するのに
適する。
基づいて種々の感情認識システムをプログラムするプロ
グラムユニットＰＵを有する。このため、このプログラ
ムユニットＰＵは、ＰＣベース制御ユニット３２やその
他のユニットと共に結果解析ユニット４６にも接続され
ており、全てのアルゴリズム、パラメータ設定、抽出す
る特徴、その他の最適条件を記録することができる。こ
こで、この情報は、所定のプロトコルに従って記録さ
れ、プログラムデータがペット型ロボットのような感情
感応性システムの適切なプログラミングインターフェー
スにダウンロード可能とされている。プログラムユニッ
トＰＵは、システムの他の部分から分離可能とし、その
場でプログラミングするために持ち運びできるように構
成され、及び／又はディスクや半導体メモリといった携
帯型記録媒体上にプログラミングデータを生成するのに
適する。
【００７１】ここで、特徴測定ステーション３０による
測定は、ローパスフィルタ１８から得られたローパスフ
ィルタ処理後の音声信号の強度に基づくものであった
（ハイパスフィルタを用いたハイパス処理後の音声信号
についても独立した実験を行った）。
測定は、ローパスフィルタ１８から得られたローパスフ
ィルタ処理後の音声信号の強度に基づくものであった
（ハイパスフィルタを用いたハイパス処理後の音声信号
についても独立した実験を行った）。
【００７２】ローパスフィルタ処理では、信号を純粋な
韻律成分と純粋なケプストラム成分とに分離するため
に、カットオフ周波数が典型的には２５０Ｈｚ（この特
定値は厳密なものではない）に設定された。
韻律成分と純粋なケプストラム成分とに分離するため
に、カットオフ周波数が典型的には２５０Ｈｚ（この特
定値は厳密なものではない）に設定された。
【００７３】そして、データベース８からのサンプルが
特徴測定ステーション３０で様々に測定された。心理音
響学的な測定によれば、最も重要な情報は韻律（イント
ネーション）であり、特にピッチ曲線（ｆ０）（Ｆｉ
ｇ.２ｂ参照）と強度（Ｉ０）（Ｆｉｇ.２ｃ参照）とで
あった。
特徴測定ステーション３０で様々に測定された。心理音
響学的な測定によれば、最も重要な情報は韻律（イント
ネーション）であり、特にピッチ曲線（ｆ０）（Ｆｉ
ｇ.２ｂ参照）と強度（Ｉ０）（Ｆｉｇ.２ｃ参照）とで
あった。
【００７４】評価を行う際には、以下の３つの信号、す
なわち ｉ）ローパスフィルタ処理後の信号強度、 ii）ローパスフィルタ処理を行わない場合の信号強度、
及び iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ が特徴測定ステーション３０で処理された。
なわち ｉ）ローパスフィルタ処理後の信号強度、 ii）ローパスフィルタ処理を行わない場合の信号強度、
及び iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ が特徴測定ステーション３０で処理された。
【００７５】なお、最初の信号ｉ）は、特徴測定ステー
ション３０の入力端子２８ａから与えられたものであ
り、後の２つの信号は、入力端子２８ｂから与えられた
ものである。
ション３０の入力端子２８ａから与えられたものであ
り、後の２つの信号は、入力端子２８ｂから与えられた
ものである。
【００７６】ここで、フィルタ処理を行わない信号ii
i）の代わりに、又はそれに加えて（この場合、評価さ
れる信号は合計で４つとなる）、ローパスフィルタ処理
後の信号のピッチを測定することも可能である。しかし
ながら、実験では、ローパスフィルタ処理後の信号につ
いてピッチ解析を行って得られる情報は、フィルタ処理
を行わない信号のピッチから得られる情報とそれほど変
わらなかった。したがって、信号ｉ）乃至iii）のみが
評価に用いられた。
i）の代わりに、又はそれに加えて（この場合、評価さ
れる信号は合計で４つとなる）、ローパスフィルタ処理
後の信号のピッチを測定することも可能である。しかし
ながら、実験では、ローパスフィルタ処理後の信号につ
いてピッチ解析を行って得られる情報は、フィルタ処理
を行わない信号のピッチから得られる情報とそれほど変
わらなかった。したがって、信号ｉ）乃至iii）のみが
評価に用いられた。
【００７７】ローパスフィルタ処理後には、得られた信
号ｉ）の強度曲線が、フィルタ処理を行わない場合と同
様の手法で測定された。
号ｉ）の強度曲線が、フィルタ処理を行わない場合と同
様の手法で測定された。
【００７８】そして、完全を期すために、最初の１０次
元のＭＦＣＣ（メル周波数ケプストラム成分）の絶対ベ
クトル導関数のノルム（norm）から計算された信号iv）
について、ケプストラムが測定された。ここで、音声認
識では、各時間ステップでケプストラムが測定されるこ
とが多い。このケプストラムは、蝸牛内の神経群の興奮
と等価なパラメータである。これらは、信号の種々のケ
プストラム係数に相当する。測定の際には、ケプストラ
ムのベクトル導関数の局所的な傾きの平均値が求められ
る。典型的には、この測定により、時間変化する１０個
の値を有する１０個の係数が得られ、連続するベクトル
間の差分からベクトルのノルムが得られる。
元のＭＦＣＣ（メル周波数ケプストラム成分）の絶対ベ
クトル導関数のノルム（norm）から計算された信号iv）
について、ケプストラムが測定された。ここで、音声認
識では、各時間ステップでケプストラムが測定されるこ
とが多い。このケプストラムは、蝸牛内の神経群の興奮
と等価なパラメータである。これらは、信号の種々のケ
プストラム係数に相当する。測定の際には、ケプストラ
ムのベクトル導関数の局所的な傾きの平均値が求められ
る。典型的には、この測定により、時間変化する１０個
の値を有する１０個の係数が得られ、連続するベクトル
間の差分からベクトルのノルムが得られる。
【００７９】上述したｉ）乃至iv）の全ての測定は、
“Ｐｒａａｔソフトウェア”という名称の無料で利用で
きる信号処理ツールキットを用いて、０．０１秒の時間
フレーム毎に行われた。このＰｒａａｔソフトウェアに
ついての情報は、ウェブページ（http://www.praat.or
g）で入手可能である。
“Ｐｒａａｔソフトウェア”という名称の無料で利用で
きる信号処理ツールキットを用いて、０．０１秒の時間
フレーム毎に行われた。このＰｒａａｔソフトウェアに
ついての情報は、ウェブページ（http://www.praat.or
g）で入手可能である。
【００８０】特に、ピッチは、文献「Boersma P. (199
3) "Accurate short-term analysisof the fundamental
frequency and the harmonics-to-noise ratio of a s
ampled sound", in Proceedings of the Institute of
Phonetic Sciences of the University of Amsterdam,
17, 97-110, 1993」に記載され、非常に正確であると知
られているアルゴリズムを用いて計算された。
3) "Accurate short-term analysisof the fundamental
frequency and the harmonics-to-noise ratio of a s
ampled sound", in Proceedings of the Institute of
Phonetic Sciences of the University of Amsterdam,
17, 97-110, 1993」に記載され、非常に正確であると知
られているアルゴリズムを用いて計算された。
【００８１】以下では、ケプストラムを測定した信号
（iv）も評価の際に考慮する。但し、測定に用いられる
のは信号ｉ）乃至iii）のみである。
（iv）も評価の際に考慮する。但し、測定に用いられる
のは信号ｉ）乃至iii）のみである。
【００８２】これらの測定により、データの異なる観点
を与えるように変換された一連の値が得られる。
を与えるように変換された一連の値が得られる。
【００８３】この一連の値を得る手順は、以下の通りで
ある。データベース８から得られた、典型的には短いフ
レーズに対応する音声サンプルについて、特徴測定ステ
ーション３０は、入力端子（信号ｉ）、ii）又はiii）
に依存してチャネル２８ａ又は２８ｂ）に与えられた対
応する音声信号を記憶する。この信号は、予め１０Ｈｚ
で平滑化される。
ある。データベース８から得られた、典型的には短いフ
レーズに対応する音声サンプルについて、特徴測定ステ
ーション３０は、入力端子（信号ｉ）、ii）又はiii）
に依存してチャネル２８ａ又は２８ｂ）に与えられた対
応する音声信号を記憶する。この信号は、予め１０Ｈｚ
で平滑化される。
【００８４】そして、この記憶され１０Ｈｚで平滑化さ
れた信号から、上述の時間変化する３つの信号ｉ）乃至
iii）が計算される。
れた信号から、上述の時間変化する３つの信号ｉ）乃至
iii）が計算される。
【００８５】このように計算された信号ｉ）乃至iii）
のそれぞれは、例えば０．０１秒間隔でデジタル的にサ
ンプリングされる。なお、各サンプリングでは、強度
（信号ｉ）及びii））又はピッチ（信号iii））の瞬間
絶対値が得られる。
のそれぞれは、例えば０．０１秒間隔でデジタル的にサ
ンプリングされる。なお、各サンプリングでは、強度
（信号ｉ）及びii））又はピッチ（信号iii））の瞬間
絶対値が得られる。
【００８６】このようにして、サンプリングされた信号
のそれぞれについて、連続したサンプル値が得られる。
フレーズが数秒間ある場合、このサンプル値は数百とな
る。その連続したサンプル値は、その信号の最初の部分
の値から始まって、時間軸に亘って記憶される。したが
って、連続したサンプル値により信号ｉ）、ii）又はii
i）の時間変化が表される。
のそれぞれについて、連続したサンプル値が得られる。
フレーズが数秒間ある場合、このサンプル値は数百とな
る。その連続したサンプル値は、その信号の最初の部分
の値から始まって、時間軸に亘って記憶される。したが
って、連続したサンプル値により信号ｉ）、ii）又はii
i）の時間変化が表される。
【００８７】そして、各信号につき以下に示す４つの系
列を生成するために、時間軸上の値のシーケンスが解析
される。 １）局所極小値の系列。これは、そのシーケンスのうち
極小値に対応する値を決定し、シーケンスの極小値のみ
からなる系列を構成することによる。その系列は、その
信号の最初の極小値から始まって、時間軸に亘って記憶
される。なお、シーケンスの極小値は、そのシーケンス
内においてその直前直後の値よりも小さな値として特定
される。 ２）局所極大値の系列。これは、そのシーケンスのうち
極大値に対応する値を決定し、シーケンスの極大値のみ
からなる系列を構成することによる。その系列は、その
信号の最初の極大値から始まって、時間軸に亘って記憶
される。なお、シーケンスの極大値は、そのシーケンス
内においてその直前直後の値よりも大きな値として特定
される。 ３）局所的な（隣接する）極値間の継続時間長（時間間
隔）の系列（これは信号のリズムの様子をモデル化す
る）。ここで、極値とは極小値又は極大値である。これ
は、先ず上述の系列１）、２）のように隣接する値を比
較して、極小値又は極大値に対応する値をシーケンス内
で特定することによる。そして、特定された極値の時間
位置が解析され、連続した極値の時間間隔が決定され
る。これらの時間間隔は、その信号の最初の極値と次の
極値との間隔から始まって、連続して求められ、時間間
隔の系列が得られる。 ４）系列自身。これは単純に、サンプリングされた信号
の最初から始まって、シーケンスの連続したサンプル値
全てから系列を構成することによる。
列を生成するために、時間軸上の値のシーケンスが解析
される。 １）局所極小値の系列。これは、そのシーケンスのうち
極小値に対応する値を決定し、シーケンスの極小値のみ
からなる系列を構成することによる。その系列は、その
信号の最初の極小値から始まって、時間軸に亘って記憶
される。なお、シーケンスの極小値は、そのシーケンス
内においてその直前直後の値よりも小さな値として特定
される。 ２）局所極大値の系列。これは、そのシーケンスのうち
極大値に対応する値を決定し、シーケンスの極大値のみ
からなる系列を構成することによる。その系列は、その
信号の最初の極大値から始まって、時間軸に亘って記憶
される。なお、シーケンスの極大値は、そのシーケンス
内においてその直前直後の値よりも大きな値として特定
される。 ３）局所的な（隣接する）極値間の継続時間長（時間間
隔）の系列（これは信号のリズムの様子をモデル化す
る）。ここで、極値とは極小値又は極大値である。これ
は、先ず上述の系列１）、２）のように隣接する値を比
較して、極小値又は極大値に対応する値をシーケンス内
で特定することによる。そして、特定された極値の時間
位置が解析され、連続した極値の時間間隔が決定され
る。これらの時間間隔は、その信号の最初の極値と次の
極値との間隔から始まって、連続して求められ、時間間
隔の系列が得られる。 ４）系列自身。これは単純に、サンプリングされた信号
の最初から始まって、シーケンスの連続したサンプル値
全てから系列を構成することによる。
【００８８】Ｆｉｇ.６は、この４つの系列が測定して
いる信号からどのようにして得られるかを図示したもの
である。
いる信号からどのようにして得られるかを図示したもの
である。
【００８９】ここで、上述した信号ｉ）乃至iii）のそ
れぞれについて、上述した値の４つの系列が抽出され、
データベースの１つのオーディオサンプルにつき１２系
列得られる。
れぞれについて、上述した値の４つの系列が抽出され、
データベースの１つのオーディオサンプルにつき１２系
列得られる。
【００９０】最後に、この１２系列のそれぞれについ
て、以下の１０個の統計的特徴、すなわち、 １）平均値 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ４）最大値と最小値との差 ５）分散 ６）中間値 ７）第１の四分位数 ８）第３の四分位数 ９）第３の四分位数と第１の四分位数との差で定義され
る四分位数間範囲 １０）局所微分の絶対値の平均値 が計算される。
て、以下の１０個の統計的特徴、すなわち、 １）平均値 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ４）最大値と最小値との差 ５）分散 ６）中間値 ７）第１の四分位数 ８）第３の四分位数 ９）第３の四分位数と第１の四分位数との差で定義され
る四分位数間範囲 １０）局所微分の絶対値の平均値 が計算される。
【００９１】なお、これらの統計的特徴を計算する前
に、全てのデータは予め正規化されている。
に、全てのデータは予め正規化されている。
【００９２】４系列とこれらの１０個の特徴とを組み合
わせることで、３＊４＊１０＝１２０個の特徴が得られ
る。
わせることで、３＊４＊１０＝１２０個の特徴が得られ
る。
【００９３】学習アルゴリズム
各信号についてこれらの値の全てが得られると、次に種
々の自動学習方法を用いて実験が行われた。この自動学
習方法は、所定数のサンプル例を学習し、般化できるも
のである。なお、そのような方法としては数多く知られ
ているが、それぞれ利点もあれば欠点もある。本アプロ
ーチでは、これらの種々のアルゴリズムを非常に数多く
用いている。
々の自動学習方法を用いて実験が行われた。この自動学
習方法は、所定数のサンプル例を学習し、般化できるも
のである。なお、そのような方法としては数多く知られ
ているが、それぞれ利点もあれば欠点もある。本アプロ
ーチでは、これらの種々のアルゴリズムを非常に数多く
用いている。
【００９４】テストされた各学習アルゴリズムについ
て、サンプル例の基本セットが入力される。そして、各
基本セットについて、他の基本セットに対する性能がチ
ェックされる。これにより、各学習アルゴリズムで正し
く般化できたパーセンテージが求められる。
て、サンプル例の基本セットが入力される。そして、各
基本セットについて、他の基本セットに対する性能がチ
ェックされる。これにより、各学習アルゴリズムで正し
く般化できたパーセンテージが求められる。
【００９５】ここで、この２０年で多くの学習スキーム
が開発されているが（例えば Witten I., Frank E. (20
00) "Data Mining", Morgan Kaufflan Publishers）、
それらの内容は様々である。すなわち、あるタイプの分
類を他のタイプよりも効率よく行うものもあれば、多く
の無関係な特徴（以下説明するように、本件の場合に当
てはまる）を扱うのに適したものや、構造化された特徴
セット（重要な特徴値の“統語的な（syntactic）”組
み合わせ）を扱うのに適したものもある。データの構造
及び／又は特徴の関係性（無関係性）は、当然のことな
がら分からないため、数少ない学習スキームのみを用い
て問題を論じるのは誤りである。したがって、ニューラ
ルネットワークから規則帰納（rule induction）や回帰
による分類（classification by regression）に至るま
で、代表的な学習スキームのセットが選択された。ま
た、最もよいメタ学習スキームの１つであるAdaBoostM1
（Witten and Frank, 2000 前掲）と呼ばれるメタ学習
スキームも使用された。このAdaBoostM1は、決定木（de
cision trees）のような不安定な学習スキームの般化性
能を著しく向上させる（不安定な学習スキームでは、学
習データベースが僅かに変化しただけで認識マシンが大
きく変わることがある）。Ｗｅｋａソフトウェアを選択
した理由の１つは、そのコードと実行可能プログラムと
が自由に利用可能であり、大規模ではあるがその実験を
容易に再現可能であるためである。また、このソフトウ
ェアにより、自動クロス確認のような手段が得られ、又
は後述するように例えば遺伝的アルゴリズムを用いて特
徴空間を探索することができる。以下の表１に全ての学
習アルゴリズムを示す。
が開発されているが（例えば Witten I., Frank E. (20
00) "Data Mining", Morgan Kaufflan Publishers）、
それらの内容は様々である。すなわち、あるタイプの分
類を他のタイプよりも効率よく行うものもあれば、多く
の無関係な特徴（以下説明するように、本件の場合に当
てはまる）を扱うのに適したものや、構造化された特徴
セット（重要な特徴値の“統語的な（syntactic）”組
み合わせ）を扱うのに適したものもある。データの構造
及び／又は特徴の関係性（無関係性）は、当然のことな
がら分からないため、数少ない学習スキームのみを用い
て問題を論じるのは誤りである。したがって、ニューラ
ルネットワークから規則帰納（rule induction）や回帰
による分類（classification by regression）に至るま
で、代表的な学習スキームのセットが選択された。ま
た、最もよいメタ学習スキームの１つであるAdaBoostM1
（Witten and Frank, 2000 前掲）と呼ばれるメタ学習
スキームも使用された。このAdaBoostM1は、決定木（de
cision trees）のような不安定な学習スキームの般化性
能を著しく向上させる（不安定な学習スキームでは、学
習データベースが僅かに変化しただけで認識マシンが大
きく変わることがある）。Ｗｅｋａソフトウェアを選択
した理由の１つは、そのコードと実行可能プログラムと
が自由に利用可能であり、大規模ではあるがその実験を
容易に再現可能であるためである。また、このソフトウ
ェアにより、自動クロス確認のような手段が得られ、又
は後述するように例えば遺伝的アルゴリズムを用いて特
徴空間を探索することができる。以下の表１に全ての学
習アルゴリズムを示す。
【００９６】
【表１】
【００９７】これらのアルゴリズムについての詳細は、
前掲した「Witten and Frank, 2000」から得ることがで
きる。
前掲した「Witten and Frank, 2000」から得ることがで
きる。
【００９８】最初の実験では、全てのアルゴリズムが全
ての（正規化された）特徴に対して適用されて評価が行
われた。ここで、データベースの９０パーセントを用い
て訓練が行われ、残りの１０パーセントを用いてテスト
が行われた。そして、これが１０回繰り返され、各回毎
に９０／１０パーセントの分け方が変えられた（これに
より１０分割クロス確認が行われる）。
ての（正規化された）特徴に対して適用されて評価が行
われた。ここで、データベースの９０パーセントを用い
て訓練が行われ、残りの１０パーセントを用いてテスト
が行われた。そして、これが１０回繰り返され、各回毎
に９０／１０パーセントの分け方が変えられた（これに
より１０分割クロス確認が行われる）。
【００９９】以下の表２は、種々のアルゴリズムを用い
た場合において、１０分割クロス確認で正しく分類され
た平均のパーセンテージを示したものである。
た場合において、１０分割クロス確認で正しく分類され
た平均のパーセンテージを示したものである。
【０１００】
【表２】
【０１０１】この結果から非常に高い成功率（９２乃至
９７パーセント）が得られていることが分かる。これ
は、特定のアルゴリズムを用いた他のいかなる文献に記
載された結果よりも高いものである。しかしながら、ア
ルゴリズム間の差は著しい。すなわち、最もよい結果は
“Adaboost”の決定木及び決定則（decision rules）で
あったが、それよりも１０パーセント低いものや（例え
ば最近傍識別（nearestneighbor）、ＲＢＦニューラル
ネット又はサポートベクターマシン。これらは他の研究
でよく用いられている。）、２０パーセント低いもの
（パーセプトロン群（Committees of perceptrons））
もあった。このことは、前提知識或いは直観的な知識が
ないような問題を解決する場合には、多くの学習スキー
ムを用いるべきであることを示している。
９７パーセント）が得られていることが分かる。これ
は、特定のアルゴリズムを用いた他のいかなる文献に記
載された結果よりも高いものである。しかしながら、ア
ルゴリズム間の差は著しい。すなわち、最もよい結果は
“Adaboost”の決定木及び決定則（decision rules）で
あったが、それよりも１０パーセント低いものや（例え
ば最近傍識別（nearestneighbor）、ＲＢＦニューラル
ネット又はサポートベクターマシン。これらは他の研究
でよく用いられている。）、２０パーセント低いもの
（パーセプトロン群（Committees of perceptrons））
もあった。このことは、前提知識或いは直観的な知識が
ないような問題を解決する場合には、多くの学習スキー
ムを用いるべきであることを示している。
【０１０２】特徴選択
この最初の実験が終了すると、次のステップはどのよう
にして特徴セットを減らすかということである。これ
は、以下の３つの理由、すなわち、 １）特徴セットが小さいと般化性能がよくなると考えら
れる（前掲した「Witten and Frank, 2000」参照） ２）計算する特徴が少ない場合にはコンピュータを簡易
化できる ３）もし機械学習アルゴリズムで最も重要な特徴が伝統
的に心理音響学の文献で出されているものであれば興味
のあることである という理由による。
にして特徴セットを減らすかということである。これ
は、以下の３つの理由、すなわち、 １）特徴セットが小さいと般化性能がよくなると考えら
れる（前掲した「Witten and Frank, 2000」参照） ２）計算する特徴が少ない場合にはコンピュータを簡易
化できる ３）もし機械学習アルゴリズムで最も重要な特徴が伝統
的に心理音響学の文献で出されているものであれば興味
のあることである という理由による。
【０１０３】特徴を探索する第１の方法は、決定則（Ｐ
ＡＲＴ）のような学習スキームの結果を見ることであ
る。これは、知識発見（knowledge discovery）装置と
してよく用いられている。
ＡＲＴ）のような学習スキームの結果を見ることであ
る。これは、知識発見（knowledge discovery）装置と
してよく用いられている。
【０１０４】本件出願人が作成しテストした特定のルー
ル選択及びパラメータは、以下のようなものである。 例１ If MEDIANINTENSITYLOW＞0.48 且つ MINMINIMASPITCH＜＝0.07 且つ THIRDQUARTINTENSITY＞0.42 ＝＝＞平静 ELSE If MEANINTENSITYLOW＜＝0.58 且つ MEDIANINTENSITYLOW＜＝0.29 ＝＝＞怒り ELSE If THIRDQUARTINTENSITYLOW＞0.48 ＝＝＞悲しみ ELSE ＝＝＞喜び （記号“＜＝”は、未満又はイコールを意味する）
ル選択及びパラメータは、以下のようなものである。 例１ If MEDIANINTENSITYLOW＞0.48 且つ MINMINIMASPITCH＜＝0.07 且つ THIRDQUARTINTENSITY＞0.42 ＝＝＞平静 ELSE If MEANINTENSITYLOW＜＝0.58 且つ MEDIANINTENSITYLOW＜＝0.29 ＝＝＞怒り ELSE If THIRDQUARTINTENSITYLOW＞0.48 ＝＝＞悲しみ ELSE ＝＝＞喜び （記号“＜＝”は、未満又はイコールを意味する）
【０１０５】なお、全ての数値は正規化されている。
【０１０６】上述のアルゴリズムで表された変数の定義
は、以下の通りである。 −MEDIANINTENSITYLOW：ローパスフィルタ処理後の信号
の強度値の系列における中間値 −MINMINIMASPITCH：ローパスフィルタ処理を行ってい
ない信号のピッチの最小値の系列における値が最も小さ
な最小値 −THIRDQUARTINTENSITY：ローパスフィルタ処理を行っ
ていない信号の強度値の系列における第３の四分位数値 −MEANINTENSITYLOW：ローパスフィルタ処理後の信号の
強度値の系列における平均値 −THIRDQUARTINTENSITYLOW：ローパスフィルタ処理後の
信号の強度値の系列における第３の四分位数値
は、以下の通りである。 −MEDIANINTENSITYLOW：ローパスフィルタ処理後の信号
の強度値の系列における中間値 −MINMINIMASPITCH：ローパスフィルタ処理を行ってい
ない信号のピッチの最小値の系列における値が最も小さ
な最小値 −THIRDQUARTINTENSITY：ローパスフィルタ処理を行っ
ていない信号の強度値の系列における第３の四分位数値 −MEANINTENSITYLOW：ローパスフィルタ処理後の信号の
強度値の系列における平均値 −THIRDQUARTINTENSITYLOW：ローパスフィルタ処理後の
信号の強度値の系列における第３の四分位数値
【０１０７】これらの４つの極めて単純な規則により、
話者２のデータベースについて般化による分類で９４パ
ーセントという非常に高いパーセンテージが得られてい
る。驚くべき事実として、ローパスフィルタ処理された
信号の強度に関連する特徴が繰り返し用いられている。
話者２のデータベースについて般化による分類で９４パ
ーセントという非常に高いパーセンテージが得られてい
る。驚くべき事実として、ローパスフィルタ処理された
信号の強度に関連する特徴が繰り返し用いられている。
【０１０８】異なる話者／言語について最適の性能を得
るために、違ったルールセットを適用することも可能で
ある。与えられた話者／言語について適切なルールセッ
トは、実験的に選択される。
るために、違ったルールセットを適用することも可能で
ある。与えられた話者／言語について適切なルールセッ
トは、実験的に選択される。
【０１０９】特徴セットの他の観点は、視覚的に得るこ
とができる。そのような視覚化の一例をＦＩＧ.７ａ−
７ｃに示す。このＦＩＧ.７ａ−７ｃは、それぞれ上述
した１６０個の特徴から選ばれた特徴ｉ，ｊ，ｋについ
て測定を行った例を示したものである。それぞれのライ
ンには長方形のボックス４８ａ−４８ｃ内の空間が定義
されており、その内部に数多くの点がプロットされてい
る。プロットされた各点は、データベース８の音声サン
プルに対応する。また、その点の位置は、その特徴につ
いての関連する測定値に対応する（水平方向に変化す
る）。さらに、プロットされたサンプルに対応する感情
は、点が「平静」、×印が「悲しみ」、棒線が「怒
り」、丸印が「喜び」を表す記号として表されている。
なお、完全な実験では、各特徴につき１つずつで合計１
６０個のラインが生成される。
とができる。そのような視覚化の一例をＦＩＧ.７ａ−
７ｃに示す。このＦＩＧ.７ａ−７ｃは、それぞれ上述
した１６０個の特徴から選ばれた特徴ｉ，ｊ，ｋについ
て測定を行った例を示したものである。それぞれのライ
ンには長方形のボックス４８ａ−４８ｃ内の空間が定義
されており、その内部に数多くの点がプロットされてい
る。プロットされた各点は、データベース８の音声サン
プルに対応する。また、その点の位置は、その特徴につ
いての関連する測定値に対応する（水平方向に変化す
る）。さらに、プロットされたサンプルに対応する感情
は、点が「平静」、×印が「悲しみ」、棒線が「怒
り」、丸印が「喜び」を表す記号として表されている。
なお、完全な実験では、各特徴につき１つずつで合計１
６０個のラインが生成される。
【０１１０】ＦＩＧ.７ａでは、特定された感情サンプ
ルが全くでたらめに分布しており、生成された特徴ｉ
は、感情を識別する指標となり得ない。このような分布
は、ローパスフィルタ処理されていない音声信号から抽
出された特徴の場合によく見られる。
ルが全くでたらめに分布しており、生成された特徴ｉ
は、感情を識別する指標となり得ない。このような分布
は、ローパスフィルタ処理されていない音声信号から抽
出された特徴の場合によく見られる。
【０１１１】ＦＩＧ.７ｂでは、特定された感情サンプ
ルがより集合して分布しており、生成された特徴は、感
情を識別する指標になる可能性がある。しかしながら、
隣接する集合が若干オーバーラップしている。このよう
な分布は、ローパスフィルタ処理された音声信号から抽
出された特徴の場合によく見られる。なお、この実験に
おけるカットオフ周波数（ｆ０）は、２５０Ｈｚであ
る。
ルがより集合して分布しており、生成された特徴は、感
情を識別する指標になる可能性がある。しかしながら、
隣接する集合が若干オーバーラップしている。このよう
な分布は、ローパスフィルタ処理された音声信号から抽
出された特徴の場合によく見られる。なお、この実験に
おけるカットオフ周波数（ｆ０）は、２５０Ｈｚであ
る。
【０１１２】最後にＦＩＧ.７ｃでは、特定された感情
サンプルがよく集合しているのみならず、それらが空の
領域によって分離されている。このような結果は、その
強度がローパスフィルタ処理されたような音声信号から
抽出された特徴の場合に得られる。
サンプルがよく集合しているのみならず、それらが空の
領域によって分離されている。このような結果は、その
強度がローパスフィルタ処理されたような音声信号から
抽出された特徴の場合に得られる。
【０１１３】なお、雑然となるのを避けるために、図で
は代表的な音声サンプルのみをプロットしている。
は代表的な音声サンプルのみをプロットしている。
【０１１４】強度がローパスフィルタ処理された音声信
号について得られた結果は、異なる話者についても確認
された。
号について得られた結果は、異なる話者についても確認
された。
【０１１５】実験では、感情サンプルをよく集合させ、
それを少なくとも何らかの空領域で隔てるような６個の
特徴が特徴グループから選択された。
それを少なくとも何らかの空領域で隔てるような６個の
特徴が特徴グループから選択された。
【０１１６】一般的には、強度がローパスフィルタ処理
された音声信号について、以下の特徴、すなわち、 −四分位数、特に第１及び第３の四分位数、 −最大値、 −最小値、及び −平均値 を考慮することで、最もよい結果が得られる。
された音声信号について、以下の特徴、すなわち、 −四分位数、特に第１及び第３の四分位数、 −最大値、 −最小値、及び −平均値 を考慮することで、最もよい結果が得られる。
【０１１７】反対に、ローパスフィルタ処理された音声
信号の傾きの分散或いは平均値といった特徴では、最も
確実でない結果しか得られなかった。
信号の傾きの分散或いは平均値といった特徴では、最も
確実でない結果しか得られなかった。
【０１１８】強度をローパスフィルタ処理することが感
情の区別に非常に重要であるという本件出願人の直感を
確認するために、データベース８のサンプルからの特定
された感情をプロットした図をＦＩＧ.８ａ及び８ｂに
示す。これらのプロットでは、感情をよく識別すること
のできる２つの特徴が、直交する軸のそれぞれで表され
ている。すなわち、強度についての第１の四分位数が垂
直な（縦座標）軸に分布し、強度についての第３の四分
位数が水平な軸（横座標）に分布している。ここで、４
つの感情を表すための記号は、ＦＩＧ.７ａ−７ｃと同
様である。また、同様にに雑然となるのを避けるため
に、代表的な音声サンプルのみをプロットしている。
情の区別に非常に重要であるという本件出願人の直感を
確認するために、データベース８のサンプルからの特定
された感情をプロットした図をＦＩＧ.８ａ及び８ｂに
示す。これらのプロットでは、感情をよく識別すること
のできる２つの特徴が、直交する軸のそれぞれで表され
ている。すなわち、強度についての第１の四分位数が垂
直な（縦座標）軸に分布し、強度についての第３の四分
位数が水平な軸（横座標）に分布している。ここで、４
つの感情を表すための記号は、ＦＩＧ.７ａ−７ｃと同
様である。また、同様にに雑然となるのを避けるため
に、代表的な音声サンプルのみをプロットしている。
【０１１９】ＦＩＧ.８ａのプロットは、データベース
の音声サンプルからローパスフィルタ処理を行わないで
生成されたものである。一方、ＦＩＧ.８ｂのプロット
は、同じ音声サンプルではあるが、ＦＩＧ.３のローパ
スフィルタ１８を用いて、２５０Ｈｚのカットオフ周波
数でローパスフィルタ処理を行って生成されたものであ
る。どちらの場合の音声サンプルも同じ話者（話者２）
から得られている。なお、同様の際だった効果が第１の
話者についても得られているが、面白いことに、その集
合は同じ場所に位置していない（「怒り」と「喜び」
は、９０度回転している）。これは、当初予測していた
通り、話者によって非常に差異があることを示したもの
である。しかしながら、いくつかの特徴については、各
話者で非常に安定している。
の音声サンプルからローパスフィルタ処理を行わないで
生成されたものである。一方、ＦＩＧ.８ｂのプロット
は、同じ音声サンプルではあるが、ＦＩＧ.３のローパ
スフィルタ１８を用いて、２５０Ｈｚのカットオフ周波
数でローパスフィルタ処理を行って生成されたものであ
る。どちらの場合の音声サンプルも同じ話者（話者２）
から得られている。なお、同様の際だった効果が第１の
話者についても得られているが、面白いことに、その集
合は同じ場所に位置していない（「怒り」と「喜び」
は、９０度回転している）。これは、当初予測していた
通り、話者によって非常に差異があることを示したもの
である。しかしながら、いくつかの特徴については、各
話者で非常に安定している。
【０１２０】ここで、個々の特徴の相関や寄与を定量化
するために、予測される情報ゲイン、又はクラスと寄与
との間の相互情報という、データマイニングの文献でよ
く用いられている測定値がある。これは、エントロピー
Ｈ（クラス）とエントロピーＨ（クラス｜寄与）との差
に相当する。以下の表３は、最も寄与が大きかった２０
個を情報ゲインに従って並べたものである。
するために、予測される情報ゲイン、又はクラスと寄与
との間の相互情報という、データマイニングの文献でよ
く用いられている測定値がある。これは、エントロピー
Ｈ（クラス）とエントロピーＨ（クラス｜寄与）との差
に相当する。以下の表３は、最も寄与が大きかった２０
個を情報ゲインに従って並べたものである。
【０１２１】
【表３】
【０１２２】この表から、ローパスフィルタ処理された
信号の強度分布についての最初の６個のセットに関する
特徴が大きな値を示していることが確認できる。また、
他の驚くべき点も示されている。すなわち、それぞれ有
益な２０個の特徴のうち、心理音響学の研究（Murray
E., Arnott J.L., (1995) "Implementation and testin
g of a system for producing emotion-by-rule in syn
thetic speech", Speech Communication, 16(4), pp.36
9-390; Sendlmeier and Burkhardt 2000 前掲;Stevens
and Williams 1972 前掲）で提案されていた標準セット
に含まれていたもの、又は実用研究（Slaney et al. 19
98 前掲、Breazal 2000 前掲）で用いられていたもの
は、３個（表における特徴１２，１６，２０）のみであ
った。
信号の強度分布についての最初の６個のセットに関する
特徴が大きな値を示していることが確認できる。また、
他の驚くべき点も示されている。すなわち、それぞれ有
益な２０個の特徴のうち、心理音響学の研究（Murray
E., Arnott J.L., (1995) "Implementation and testin
g of a system for producing emotion-by-rule in syn
thetic speech", Speech Communication, 16(4), pp.36
9-390; Sendlmeier and Burkhardt 2000 前掲;Stevens
and Williams 1972 前掲）で提案されていた標準セット
に含まれていたもの、又は実用研究（Slaney et al. 19
98 前掲、Breazal 2000 前掲）で用いられていたもの
は、３個（表における特徴１２，１６，２０）のみであ
った。
【０１２３】それにも関わらず、特徴の個々の顕著性は
それほど興味のあることではない。特徴の組み合わせに
よって上手くいくことが少なくないからである。したが
って、最初の実験において、本件出願人は、ローパスフ
ィルタ処理された信号の強度に関連する特徴１乃至６の
みを含む特徴セット（ＬＰＦ）を、文献「Breazal 200
0」又は文献「Slaney et al. 1998」で用いられている
標準特徴（ＳＦ）、すなわち、 １）平均値、 ２）最小値、 ３）最大値、 ４）最大値−最小値、 ５）ローパスフィルタ処理されていない信号のピッチの
分散、 ６）ローパスフィルタ処理されていない信号の強度、及
び ７）音節要素の平均長 で構成される特徴セットと比較した。（時々用いられる
ことがあるように、震え（jitter and tremor）を加え
ると、結果は同様なものである。）
それほど興味のあることではない。特徴の組み合わせに
よって上手くいくことが少なくないからである。したが
って、最初の実験において、本件出願人は、ローパスフ
ィルタ処理された信号の強度に関連する特徴１乃至６の
みを含む特徴セット（ＬＰＦ）を、文献「Breazal 200
0」又は文献「Slaney et al. 1998」で用いられている
標準特徴（ＳＦ）、すなわち、 １）平均値、 ２）最小値、 ３）最大値、 ４）最大値−最小値、 ５）ローパスフィルタ処理されていない信号のピッチの
分散、 ６）ローパスフィルタ処理されていない信号の強度、及
び ７）音節要素の平均長 で構成される特徴セットと比較した。（時々用いられる
ことがあるように、震え（jitter and tremor）を加え
ると、結果は同様なものである。）
【０１２４】以下の表４は、これらの実験をまとめたも
のである（各数値は、１０分割クロス確認で正しく分類
された平均のパーセンテージに対応する）。
のである（各数値は、１０分割クロス確認で正しく分類
された平均のパーセンテージに対応する）。
【０１２５】
【表４】
【０１２６】上述の略号は、以下の通りである。すなわ
ち、(LPF)sp.1は、話者１の音声サンプルをローパスフ
ィルタ処理した信号を示し、(LPF)sp.2は、話者２の音
声サンプルをローパスフィルタ処理した信号を示す。ま
た、(SF)sp.1は、話者１の音声サンプルをローパスフィ
ルタ処理していない標準的な信号を示し、(SF)sp.2は、
話者２の音声サンプルをローパスフィルタ処理していな
い標準的な信号を示す。
ち、(LPF)sp.1は、話者１の音声サンプルをローパスフ
ィルタ処理した信号を示し、(LPF)sp.2は、話者２の音
声サンプルをローパスフィルタ処理した信号を示す。ま
た、(SF)sp.1は、話者１の音声サンプルをローパスフィ
ルタ処理していない標準的な信号を示し、(SF)sp.2は、
話者２の音声サンプルをローパスフィルタ処理していな
い標準的な信号を示す。
【０１２７】この表から分かるように、強度をローパス
フィルタで処理した信号の四分位数を用いるのみで、従
来用いられてきた特徴の組み合わせよりも性能がよくな
る。
フィルタで処理した信号の四分位数を用いるのみで、従
来用いられてきた特徴の組み合わせよりも性能がよくな
る。
【０１２８】また、本件出願人は、非常の効率的な小さ
な特徴セットを見つけるために、遺伝的アルゴリズムの
使用に基づく自動探索方法を実行した。すなわち、特徴
集合（３０個までに限定される）を生成し、適応度とし
て２つのアルゴリズム、すなわちナイーブベイズ法（Na
ive Bayes）及び５最近傍識別（主として訓練が容易で
あるために選択した）を用いて１０分割クロス確認を行
った。なお、遺伝的アルゴリズムは、正確には文献「Go
ldberg,D.E. (1989) "Genetic algorithms insearch,op
timization and machine learning",MA: Addison-Wesle
y」に記載されている単純なものである。
な特徴セットを見つけるために、遺伝的アルゴリズムの
使用に基づく自動探索方法を実行した。すなわち、特徴
集合（３０個までに限定される）を生成し、適応度とし
て２つのアルゴリズム、すなわちナイーブベイズ法（Na
ive Bayes）及び５最近傍識別（主として訓練が容易で
あるために選択した）を用いて１０分割クロス確認を行
った。なお、遺伝的アルゴリズムは、正確には文献「Go
ldberg,D.E. (1989) "Genetic algorithms insearch,op
timization and machine learning",MA: Addison-Wesle
y」に記載されている単純なものである。
【０１２９】この実験の結果は、明白なものではなかっ
た。つまり、選択された特徴セットの中には、ローパス
フィルタ処理した信号の強度の四分位数に関連する特徴
やピッチの四分位数に関連する特徴もあれば、比較的個
々の情報ゲインが小さい特徴、すなわちローパスフィル
タ処理されていない平滑化された強度曲線の極小値の四
分位数に関連する特徴もあった。
た。つまり、選択された特徴セットの中には、ローパス
フィルタ処理した信号の強度の四分位数に関連する特徴
やピッチの四分位数に関連する特徴もあれば、比較的個
々の情報ゲインが小さい特徴、すなわちローパスフィル
タ処理されていない平滑化された強度曲線の極小値の四
分位数に関連する特徴もあった。
【０１３０】また、機械学習アルゴリズムでは、どのよ
うに測定しても、分布の分散や範囲に関連する特徴が常
に無視される傾向にある。
うに測定しても、分布の分散や範囲に関連する特徴が常
に無視される傾向にある。
【０１３１】最後に、全ての学習アルゴリズムについて
これらの１５個の特徴を用いた実験が行われた（ローパ
スフィルタ処理した信号の強度の最大値、最小値、中間
値、第３の四分位数及び第１の四分位数、ローパスフィ
ルタ処理していない信号のピッチ及び最小値）。
これらの１５個の特徴を用いた実験が行われた（ローパ
スフィルタ処理した信号の強度の最大値、最小値、中間
値、第３の四分位数及び第１の四分位数、ローパスフィ
ルタ処理していない信号のピッチ及び最小値）。
【０１３２】この結果を以下の表５に示す。
【０１３３】
【表５】
【０１３４】表から分かるように、得られた結果は、最
初に得られた最もよい結果と非常に似たものであるが、
１０分の１以下の特徴しか用いていない。さらに面白い
ことに、学習スキーム間の差は、あまり重要でなく、以
前に結果の悪かった最近傍識別やナイーブベイズのよう
なアルゴリズムも、今回は満足のいく結果が得られてい
る。
初に得られた最もよい結果と非常に似たものであるが、
１０分の１以下の特徴しか用いていない。さらに面白い
ことに、学習スキーム間の差は、あまり重要でなく、以
前に結果の悪かった最近傍識別やナイーブベイズのよう
なアルゴリズムも、今回は満足のいく結果が得られてい
る。
【０１３５】僅かなサンプル例しか入手できない場合
前節では、大規模な訓練用データベースを用いており、
これは特徴及びアルゴリズム空間を探索するのに最適で
ある。しかしながら、話者依存タスクを扱っている場
合、これを現実世界の例えばペット型ロボットに直接適
用することはできない。実際、人間の幼児や現実のペッ
トの場合には起こり得ることであるが、そのようなペッ
ト型ロボットの飼い主が数百もの教師サンプルを与え、
基本感情表現を認識する方法を教えるような状況は想像
し得ない。実際、人間は、それほどの長い時間、ペット
型ロボットと共に過ごそうとはしない。
これは特徴及びアルゴリズム空間を探索するのに最適で
ある。しかしながら、話者依存タスクを扱っている場
合、これを現実世界の例えばペット型ロボットに直接適
用することはできない。実際、人間の幼児や現実のペッ
トの場合には起こり得ることであるが、そのようなペッ
ト型ロボットの飼い主が数百もの教師サンプルを与え、
基本感情表現を認識する方法を教えるような状況は想像
し得ない。実際、人間は、それほどの長い時間、ペット
型ロボットと共に過ごそうとはしない。
【０１３６】したがって、僅かな訓練サンプルしかない
場合にどのような結果になるのかという疑問は自然なも
のである。
場合にどのような結果になるのかという疑問は自然なも
のである。
【０１３７】このため、本件出願人は、先に与えられた
“最適な”特徴セットを用いるものの、各アルゴリズム
に対して各クラスにつき１２個のサンプルのみを用いて
実験を行った。なお、データベースの残りのアイテムで
アルゴリズムのテストが行われた。
“最適な”特徴セットを用いるものの、各アルゴリズム
に対して各クラスにつき１２個のサンプルのみを用いて
実験を行った。なお、データベースの残りのアイテムで
アルゴリズムのテストが行われた。
【０１３８】この実験は、それぞれ別の１２サンプルを
用いて３０回繰り返され、その結果は平均化された（標
準偏差はかなり低く、典型的には１．１程度であっ
た）。
用いて３０回繰り返され、その結果は平均化された（標
準偏差はかなり低く、典型的には１．１程度であっ
た）。
【０１３９】以下の表６は、この実験をまとめたもので
ある。
ある。
【０１４０】
【表６】
【０１４１】表から分かるように、アルゴリズムの中に
は、ある程度の性能（一般的に約８５パーセント）を維
持しているものもある。例えば、非常に簡易なアルゴリ
ズムである１最近傍識別やナイーブベイズである。これ
らの結果は、前掲した文献「Breazal,2000」に記載され
ている結果に匹敵する（実際、僅かに優れている）もの
である。しかしながら、この場合の学習は、数人の女性
の話者による大規模なデータベースを用いたオフライン
でのものであった。重要なことは、Breazalが、ペット
型ロボットと相互作用するにはこのレベルの成功率で十
分であるということを実験を行って示したことである。
また、Breazalは、現実世界で動くような大きな認識ア
ークテクチャに組み込まれた場合に、どのようにしてこ
の結果を向上させるかを示した。例えば、この認識モジ
ュールをある種の感情慣性（２分の１秒で「喜び」から
「怒り」に変化することは非常に稀である）のあるよう
な人工的な辺縁系（lymbic）／感情システムと接続する
と、何らかの追加情報が得られるか、又は結果に不確か
さがあることをシステムが知ることができる。この結
果、ロボットは、例えば何が起こっているのか分からな
いということを示す態度を示す。これにより、人間は、
より誇張されたイントネーションで発声を繰り返すよう
になる。
は、ある程度の性能（一般的に約８５パーセント）を維
持しているものもある。例えば、非常に簡易なアルゴリ
ズムである１最近傍識別やナイーブベイズである。これ
らの結果は、前掲した文献「Breazal,2000」に記載され
ている結果に匹敵する（実際、僅かに優れている）もの
である。しかしながら、この場合の学習は、数人の女性
の話者による大規模なデータベースを用いたオフライン
でのものであった。重要なことは、Breazalが、ペット
型ロボットと相互作用するにはこのレベルの成功率で十
分であるということを実験を行って示したことである。
また、Breazalは、現実世界で動くような大きな認識ア
ークテクチャに組み込まれた場合に、どのようにしてこ
の結果を向上させるかを示した。例えば、この認識モジ
ュールをある種の感情慣性（２分の１秒で「喜び」から
「怒り」に変化することは非常に稀である）のあるよう
な人工的な辺縁系（lymbic）／感情システムと接続する
と、何らかの追加情報が得られるか、又は結果に不確か
さがあることをシステムが知ることができる。この結
果、ロボットは、例えば何が起こっているのか分からな
いということを示す態度を示す。これにより、人間は、
より誇張されたイントネーションで発声を繰り返すよう
になる。
【０１４２】研究全体の結論
上述の記載より、“現実の状況”のロボットの場合にそ
うであるように、僅かなサンプルしか与えられない場合
であっても、正しい特徴セットを用いれば適度な性能が
得られることが分かる。
うであるように、僅かなサンプルしか与えられない場合
であっても、正しい特徴セットを用いれば適度な性能が
得られることが分かる。
【０１４３】そこで、目的となるのは、適切な性能レベ
ル、可能であればそれ以上を維持しながら、測定数を減
らすことである。実際、学習アルゴリズムの中には、特
に相関がない場合など、多数の測定を行うのに適さない
ものもある。また、学習アルゴリズムの中には、構成タ
イプ（constructive type）のものもある。それらは、
感情分類を行う開発者が読むことのできる所定数の規則
を生成することができるため、興味のあるものである。
例えば、１つ又は２つのデータベースを用いて、単に選
択された４つの値についてのみテストを行った多数の測
定により、満足いく程度の結果が得られる学習アルゴリ
ズムも存在する。
ル、可能であればそれ以上を維持しながら、測定数を減
らすことである。実際、学習アルゴリズムの中には、特
に相関がない場合など、多数の測定を行うのに適さない
ものもある。また、学習アルゴリズムの中には、構成タ
イプ（constructive type）のものもある。それらは、
感情分類を行う開発者が読むことのできる所定数の規則
を生成することができるため、興味のあるものである。
例えば、１つ又は２つのデータベースを用いて、単に選
択された４つの値についてのみテストを行った多数の測
定により、満足いく程度の結果が得られる学習アルゴリ
ズムも存在する。
【０１４４】これにより、重要と思われるものを所定数
識別することができる。これらは、典型的にはローパス
フィルタ処理された信号と結びつけられた信号の値であ
る。より具体的には、それは、その信号の強度の中間値
が所定値（例えば２５．７５ｄＢ）よりも大きいか否か
を示すものである。
識別することができる。これらは、典型的にはローパス
フィルタ処理された信号と結びつけられた信号の値であ
る。より具体的には、それは、その信号の強度の中間値
が所定値（例えば２５．７５ｄＢ）よりも大きいか否か
を示すものである。
【０１４５】ローパスフィルタ処理された信号の強度の
種々の四分位数を学習アルゴリズムに与えるのみで実験
が繰り返された。測定の結果、最もよい学習アルゴリズ
ムの成功率は、典型的には８０乃至８５％であった（完
全な分析における９０乃至９５％に匹敵する）。但し、
ピッチ分析を行っていないことから、その計算は非常に
簡略化されている。
種々の四分位数を学習アルゴリズムに与えるのみで実験
が繰り返された。測定の結果、最もよい学習アルゴリズ
ムの成功率は、典型的には８０乃至８５％であった（完
全な分析における９０乃至９５％に匹敵する）。但し、
ピッチ分析を行っていないことから、その計算は非常に
簡略化されている。
【０１４６】また、基礎となるデータとして、伝統的に
文献で用いられている値を用いて、全ての値又はローパ
スフィルタ処理された信号強度と比較して実験が行われ
た。この結果、既知の選択値である同じ基礎データを用
いた場合の成功率は、７０乃至７５％である。これは、
単にローパスフィルタ処理後の信号強度を用いる場合の
結果よりも、１０％前後低いものである。
文献で用いられている値を用いて、全ての値又はローパ
スフィルタ処理された信号強度と比較して実験が行われ
た。この結果、既知の選択値である同じ基礎データを用
いた場合の成功率は、７０乃至７５％である。これは、
単にローパスフィルタ処理後の信号強度を用いる場合の
結果よりも、１０％前後低いものである。
【０１４７】また、測定数を少なくすることと、その結
果との最善の折衷案を求めるために、所定数の実験が行
われた。この実験は、例えば遺伝的アルゴリズムを用い
て多数の測定グループを生成し、空間を解析するもので
あった。結論としては、ローパスフィルタ処理後の信号
強度の四分位数と、ピッチの四分位数と、通常の（ロー
パスフィルタ処理していない）信号の極小値の四分位数
との組み合わせで得られる１５個のパラメータにより、
最もよい結果が得られた。これらの成功率は、９０乃至
９７％の範囲内にあり、１２０個のパラメータを一緒に
用いた場合の成功率と同程度であった。
果との最善の折衷案を求めるために、所定数の実験が行
われた。この実験は、例えば遺伝的アルゴリズムを用い
て多数の測定グループを生成し、空間を解析するもので
あった。結論としては、ローパスフィルタ処理後の信号
強度の四分位数と、ピッチの四分位数と、通常の（ロー
パスフィルタ処理していない）信号の極小値の四分位数
との組み合わせで得られる１５個のパラメータにより、
最もよい結果が得られた。これらの成功率は、９０乃至
９７％の範囲内にあり、１２０個のパラメータを一緒に
用いた場合の成功率と同程度であった。
【０１４８】次の問題は、比較的少数の初期サンプルか
ら、ロボットが比較的よく般化を行うことができるか否
かを知ることである。このため、各クラス１２個のサン
プル（合計４８サンプル）のみをアルゴリズムに与え、
どの程度結果が変化するかを調べるために実験が行われ
た。この結果、学習アルゴリズム間の差異は、より明白
なものとなった。しかしながら、依然として８５乃至９
０％の成功率を維持している学習アルゴリズムも幾つか
存在する。
ら、ロボットが比較的よく般化を行うことができるか否
かを知ることである。このため、各クラス１２個のサン
プル（合計４８サンプル）のみをアルゴリズムに与え、
どの程度結果が変化するかを調べるために実験が行われ
た。この結果、学習アルゴリズム間の差異は、より明白
なものとなった。しかしながら、依然として８５乃至９
０％の成功率を維持している学習アルゴリズムも幾つか
存在する。
【０１４９】ここで、研究の一般的な結果をＦＩＧ.９
からＦＩＧ.１３の棒グラフに示す。これらは、感情を
正しく分類できるかという観点から、引用した全ての学
習アルゴリズムを比較するものである。なお、各アルゴ
リズムについて、データベース８の２人の話者に対応す
る２つの結果が示されている。より具体的には、以下の
通りである。
からＦＩＧ.１３の棒グラフに示す。これらは、感情を
正しく分類できるかという観点から、引用した全ての学
習アルゴリズムを比較するものである。なお、各アルゴ
リズムについて、データベース８の２人の話者に対応す
る２つの結果が示されている。より具体的には、以下の
通りである。
【０１５０】すなわち、ＦＩＧ.９は、ローパスフィル
タ処理された信号の強度のみを用いて、初期サンプルか
ら般化により正しく分類する性能を示したものである。
用いた特徴は、ローパスフィルタ処理（カットオフ周波
数２５０Ｈｚ）された信号の強度である。
タ処理された信号の強度のみを用いて、初期サンプルか
ら般化により正しく分類する性能を示したものである。
用いた特徴は、ローパスフィルタ処理（カットオフ周波
数２５０Ｈｚ）された信号の強度である。
【０１５１】また、ＦＩＧ.１０は、いわゆる“Kisme
t”特徴（KismetはＭＩＴで開発されたシステムであ
る）、すなわちピッチ＋強度＋長さ要素についての性能
を示したものである。
t”特徴（KismetはＭＩＴで開発されたシステムであ
る）、すなわちピッチ＋強度＋長さ要素についての性能
を示したものである。
【０１５２】また、ＦＩＧ.１１は、特徴の最もよい組
み合わせ、すなわちローパスフィルタ処理された信号の
強度＋ピッチ＋強度の最小値についての性能を示したも
のである。
み合わせ、すなわちローパスフィルタ処理された信号の
強度＋ピッチ＋強度の最小値についての性能を示したも
のである。
【０１５３】また、ＦＩＧ.１２は、僅かなサンプルし
か利用できない場合に、１２個／クラスの訓練サンプル
に基づいて、般化により正しく分類する性能を示したも
のである。用いた特徴は、ローパスフィルタ処理された
信号の強度＋ピッチ＋強度の最小値である。
か利用できない場合に、１２個／クラスの訓練サンプル
に基づいて、般化により正しく分類する性能を示したも
のである。用いた特徴は、ローパスフィルタ処理された
信号の強度＋ピッチ＋強度の最小値である。
【０１５４】そして、ＦＩＧ.１３は、上述した図のそ
れぞれについて、実験毎の最高スコアをまとめたもので
ある。
れぞれについて、実験毎の最高スコアをまとめたもので
ある。
【０１５５】実用的な実装
ＦＩＧ.１４は、本発明の発見をどのようにして感情感
応性システム６０に実装するかを概念的に示した図であ
る。この感情感応性システム６０は、ペット型ロボッ
ト、ヒューマノイド、或いはインタラクティブコンピュ
ータ等の一部とすることができる。典型的には、このシ
ステムは、感情認識処理に必要となる全ての処理、デー
タ格納、インターフェース機能を有するマイクロコンピ
ュータの中心となる。これらのユニットはそれぞれ知ら
れたものであり、当業者であればアプリケーションの必
要性に応じて容易に適用することができるため、簡単の
ために図示を省略する。
応性システム６０に実装するかを概念的に示した図であ
る。この感情感応性システム６０は、ペット型ロボッ
ト、ヒューマノイド、或いはインタラクティブコンピュ
ータ等の一部とすることができる。典型的には、このシ
ステムは、感情認識処理に必要となる全ての処理、デー
タ格納、インターフェース機能を有するマイクロコンピ
ュータの中心となる。これらのユニットはそれぞれ知ら
れたものであり、当業者であればアプリケーションの必
要性に応じて容易に適用することができるため、簡単の
ために図示を省略する。
【０１５６】システム６０は、感情を検出するための音
声データを受けとる音響入力部を有する。この音声デー
タは、２つのソースから得ることができる。すなわち、
現実の状況のように、周囲の音声を集音し、感情検出を
行う近くの人物の発声を検出する内蔵マイクロホン６２
と、オーディオ接続器６４を介してシステム６０と接続
されるデータベースとである。このデータベースは、Ｆ
ＩＧ.３と同じものとすることもでき、それを適用させ
たものとすることもできる。このようにして、システム
は予め訓練され、調整され、特徴付けられる。なお、こ
の接続可能性は、ローパスフィルタ特性を含む、全ての
内部音声処理パラメータを調整する際に有用である。
声データを受けとる音響入力部を有する。この音声デー
タは、２つのソースから得ることができる。すなわち、
現実の状況のように、周囲の音声を集音し、感情検出を
行う近くの人物の発声を検出する内蔵マイクロホン６２
と、オーディオ接続器６４を介してシステム６０と接続
されるデータベースとである。このデータベースは、Ｆ
ＩＧ.３と同じものとすることもでき、それを適用させ
たものとすることもできる。このようにして、システム
は予め訓練され、調整され、特徴付けられる。なお、こ
の接続可能性は、ローパスフィルタ特性を含む、全ての
内部音声処理パラメータを調整する際に有用である。
【０１５７】２つのソース６２又はソース８からの音声
信号は、音響増幅処理ユニット６６に供給され、ここで
信号レベルがシステムの電子機器に適応したものにな
る。また、音響増幅処理ユニット６６は、マイクロホン
６２を用いた場合に、暗騒音を最小とするノイズ削減段
階を含んでもよい。音響増幅処理ユニット６６の音響出
力端子６８は、第１及び第２の経路Ｐ１及びＰ２に沿っ
て、特徴抽出ユニット７０の２つのチャンネル入力端子
ＩＣ１及びＩＣ２とそれぞれ接続される。
信号は、音響増幅処理ユニット６６に供給され、ここで
信号レベルがシステムの電子機器に適応したものにな
る。また、音響増幅処理ユニット６６は、マイクロホン
６２を用いた場合に、暗騒音を最小とするノイズ削減段
階を含んでもよい。音響増幅処理ユニット６６の音響出
力端子６８は、第１及び第２の経路Ｐ１及びＰ２に沿っ
て、特徴抽出ユニット７０の２つのチャンネル入力端子
ＩＣ１及びＩＣ２とそれぞれ接続される。
【０１５８】ここで、第１の経路Ｐ１には、音響出力端
子６８と第１のチャンネル入力端子ＩＣ１との間に第１
のデジタルアナログ変換器（ＤＡＣ）７２が存在する。
第１のチャンネル入力端子ＩＣ１は、増幅され前処理さ
れたデジタル形式の音声信号を単純に入力する。
子６８と第１のチャンネル入力端子ＩＣ１との間に第１
のデジタルアナログ変換器（ＤＡＣ）７２が存在する。
第１のチャンネル入力端子ＩＣ１は、増幅され前処理さ
れたデジタル形式の音声信号を単純に入力する。
【０１５９】一方、第２の経路Ｐ２には、ローパスフィ
ルタ７４が存在し、その入力端子が音響出力端子６８と
接続されている。本具体例では、このローパスフィルタ
は、適切なカットオフ周波数を有する限り、ＦＩＧ.３
と同じものとすることができる。典型的には、カットオ
フ周波数（Ｆｃｏ）は、０乃至２５０Ｈｚの範囲の周波
数を通過させ、それ以降では急速に減衰するような値に
デフォルトで設定される。このカットオフ周波数は、カ
ットオフ周波数選択器７６によって様々な値に設定する
ことも可能である。カットオフ周波数選択器７６は、異
なったカットオフ周波数を生成するためにスライダーに
よって手動で制御可能とされ、及び／又は特徴化フェー
ズの間、最適な結果を得るための例えばフィードバック
システム内の内部制御回路によって電気的に調整され
る。なお、システム６０を異なる話者、言語、環境、検
出する種々の感情等に最適化するためには、このカット
オフ周波数の調整が必要となる。
ルタ７４が存在し、その入力端子が音響出力端子６８と
接続されている。本具体例では、このローパスフィルタ
は、適切なカットオフ周波数を有する限り、ＦＩＧ.３
と同じものとすることができる。典型的には、カットオ
フ周波数（Ｆｃｏ）は、０乃至２５０Ｈｚの範囲の周波
数を通過させ、それ以降では急速に減衰するような値に
デフォルトで設定される。このカットオフ周波数は、カ
ットオフ周波数選択器７６によって様々な値に設定する
ことも可能である。カットオフ周波数選択器７６は、異
なったカットオフ周波数を生成するためにスライダーに
よって手動で制御可能とされ、及び／又は特徴化フェー
ズの間、最適な結果を得るための例えばフィードバック
システム内の内部制御回路によって電気的に調整され
る。なお、システム６０を異なる話者、言語、環境、検
出する種々の感情等に最適化するためには、このカット
オフ周波数の調整が必要となる。
【０１６０】また、ローパスフィルタ７４は、さらに減
衰変化制御装置７８を有する。この減衰変化制御装置７
８は、周波数反応曲線（ＦＩＧ.４参照）の傾きを、例
えばフィルタの次数を変えることによって変更し、ロー
パスフィルタ特性の最適化にさらなる自由度を与える。
衰変化制御装置７８を有する。この減衰変化制御装置７
８は、周波数反応曲線（ＦＩＧ.４参照）の傾きを、例
えばフィルタの次数を変えることによって変更し、ロー
パスフィルタ特性の最適化にさらなる自由度を与える。
【０１６１】しかしながら、ローパスフィルタ７４は可
変でなくてもよく、傾きを調整できなくてもよい。単純
な実施例は、所定のカットオフ周波数、例えば２５０Ｈ
ｚに固定されたローパスフィルタで実現することができ
る。
変でなくてもよく、傾きを調整できなくてもよい。単純
な実施例は、所定のカットオフ周波数、例えば２５０Ｈ
ｚに固定されたローパスフィルタで実現することができ
る。
【０１６２】ＦＩＧ.３のシステムについて言えば、ロ
ーパスフィルタ７４は、アナログ回路（受動的又は能動
的）で、又はデジタルフィルタとして実現することがで
きる。後者の場合、ＤＡＣ８０は必ずしも必要でない
が、デジタルローパスフィルタが独自のデジタルアナロ
グ変換段階を有していない限り、同様のＤＡＣが入力部
に設けられる。実用的な実装では、ローパスフィルタ７
４及びその制御ユニット７６及び７８は、典型的には完
全にデジタルなものであり、カットオフ周波数の選択を
含むフィルタ特性の制御は、システム６０の中心にある
ＰＣベース制御ユニットのインターフェースを介して行
われる。
ーパスフィルタ７４は、アナログ回路（受動的又は能動
的）で、又はデジタルフィルタとして実現することがで
きる。後者の場合、ＤＡＣ８０は必ずしも必要でない
が、デジタルローパスフィルタが独自のデジタルアナロ
グ変換段階を有していない限り、同様のＤＡＣが入力部
に設けられる。実用的な実装では、ローパスフィルタ７
４及びその制御ユニット７６及び７８は、典型的には完
全にデジタルなものであり、カットオフ周波数の選択を
含むフィルタ特性の制御は、システム６０の中心にある
ＰＣベース制御ユニットのインターフェースを介して行
われる。
【０１６３】ローパスフィルタ７４から出力されたロー
パスフィルタ処理後の音声信号（図ではアナログ）は、
第２のアナログデジタル変換器８０に供給され、このア
ナログデジタル変換器８０により、適切にデジタル化さ
れたローパスフィルタ処理後の信号が、特徴抽出ユニッ
ト７０の第２のチャンネル入力端子ＩＣ２に供給され
る。
パスフィルタ処理後の音声信号（図ではアナログ）は、
第２のアナログデジタル変換器８０に供給され、このア
ナログデジタル変換器８０により、適切にデジタル化さ
れたローパスフィルタ処理後の信号が、特徴抽出ユニッ
ト７０の第２のチャンネル入力端子ＩＣ２に供給され
る。
【０１６４】この特徴抽出ユニット７０は、入力した音
声信号により伝達される感情を検出する処理回路の第１
のリンクを構成する。
声信号により伝達される感情を検出する処理回路の第１
のリンクを構成する。
【０１６５】処理回路の第１の部分は特徴抽出ユニット
７０を有し、この特徴抽出ユニット７０は、デジタル化
された信号から選択した特徴を抽出するようにプログラ
ムされている。なお、特徴の一部は、本発明に従って、
ローパスフィルタ処理後の音声信号（チャンネル入力端
子ＩＣ２）から抽出される。
７０を有し、この特徴抽出ユニット７０は、デジタル化
された信号から選択した特徴を抽出するようにプログラ
ムされている。なお、特徴の一部は、本発明に従って、
ローパスフィルタ処理後の音声信号（チャンネル入力端
子ＩＣ２）から抽出される。
【０１６６】特徴抽出ユニット７０は、ＦＩＧ.３の特
徴測定ステーション３０と同様の方法で処理を行う。特
に、特徴抽出ユニット７０は、上述した１２０個の特徴
から特徴セットを選択して抽出する。すなわち、 ｉ）ローパスフィルタ処理後の信号強度（チャンネル入
力端子ＩＣ２の信号に由来する）、 ii）ローパスフィルタ処理を行わない場合の信号強度
（チャンネル入力端子ＩＣ１の信号に由来する）、及び iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ（チャンネル入力端子ＩＣ１の信号に由来する）の
組み合わせから特徴セットを選択して抽出する。
徴測定ステーション３０と同様の方法で処理を行う。特
に、特徴抽出ユニット７０は、上述した１２０個の特徴
から特徴セットを選択して抽出する。すなわち、 ｉ）ローパスフィルタ処理後の信号強度（チャンネル入
力端子ＩＣ２の信号に由来する）、 ii）ローパスフィルタ処理を行わない場合の信号強度
（チャンネル入力端子ＩＣ１の信号に由来する）、及び iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ（チャンネル入力端子ＩＣ１の信号に由来する）の
組み合わせから特徴セットを選択して抽出する。
【０１６７】なお、上述した信号は、１０Ｈｚで平滑化
されている。
されている。
【０１６８】そして、この記憶され１０Ｈｚで平滑化さ
れた信号から、上述の時間変化する３つの信号ｉ）乃至
iii）が計算される。
れた信号から、上述の時間変化する３つの信号ｉ）乃至
iii）が計算される。
【０１６９】このように計算された信号ｉ）乃至iii）
のそれぞれは、例えば０．０１秒間隔でデジタル的にサ
ンプリングされる。なお、各サンプリングでは、強度
（信号ｉ）及びii））又はピッチ（信号iii））の瞬間
絶対値が得られる。
のそれぞれは、例えば０．０１秒間隔でデジタル的にサ
ンプリングされる。なお、各サンプリングでは、強度
（信号ｉ）及びii））又はピッチ（信号iii））の瞬間
絶対値が得られる。
【０１７０】このようにして、サンプリングされた信号
のそれぞれについて、連続したサンプル値が得られる。
フレーズが数秒間ある場合、このサンプル値は数百とな
る。その連続したサンプル値は、その信号の最初の部分
の値から始まって、時間軸に亘って記憶される。したが
って、連続したサンプル値により信号ｉ）、ii）又はii
i）の時間変化が表される。
のそれぞれについて、連続したサンプル値が得られる。
フレーズが数秒間ある場合、このサンプル値は数百とな
る。その連続したサンプル値は、その信号の最初の部分
の値から始まって、時間軸に亘って記憶される。したが
って、連続したサンプル値により信号ｉ）、ii）又はii
i）の時間変化が表される。
【０１７１】そして、これらの３つ信号のそれぞれから
得られた各シーケンス、すなわちローパスフィルタ処理
後の強度、ローパスフィルタ処理を行わない場合の強
度、及びローパスフィルタ処理を行わない場合のピッチ
について、特徴抽出ユニット７０は、ＦＩＧ.３の特徴
測定ステーション３０に関連して、上述した値の４つの
系列、すなわち、 １）局所極小値の系列。これは、そのシーケンスのうち
極小値に対応する値を決定し、シーケンスの極小値のみ
からなる系列を構成することによる。その系列は、その
信号の最初の極小値から始まって、時間軸に亘って記憶
される。なお、シーケンスの極小値は、そのシーケンス
内においてその直前直後の値よりも小さな値として特定
される。 ２）局所極大値の系列。これは、そのシーケンスのうち
極大値に対応する値を決定し、シーケンスの極大値のみ
からなる系列を構成することによる。その系列は、その
信号の最初の極大値から始まって、時間軸に亘って記憶
される。なお、シーケンスの極大値は、そのシーケンス
内においてその直前直後の値よりも大きな値として特定
される。 ３）局所的な（隣接する）極値（極小値又は極大値）間
の継続時間長（時間間隔）の系列（これは信号のリズム
の様子をモデル化する）。これは、シーケンス内で極小
値又は極大値に対応する値を特定することによる。すな
わち、先ず上述の系列１）、２）のように隣接する値を
比較する。そして、特定された極値の時間位置を解析
し、連続した極値の時間間隔を決定する。これらの時間
間隔は、その信号の最初の極値と次の極値との間隔から
始まって、連続して求められ、時間間隔の系列が得られ
る。 ４）系列自身。これは、サンプリングされた信号の最初
から始まって、シーケンスの連続したサンプル値全てか
ら系列を構成することによる。を計算することができ
る。
得られた各シーケンス、すなわちローパスフィルタ処理
後の強度、ローパスフィルタ処理を行わない場合の強
度、及びローパスフィルタ処理を行わない場合のピッチ
について、特徴抽出ユニット７０は、ＦＩＧ.３の特徴
測定ステーション３０に関連して、上述した値の４つの
系列、すなわち、 １）局所極小値の系列。これは、そのシーケンスのうち
極小値に対応する値を決定し、シーケンスの極小値のみ
からなる系列を構成することによる。その系列は、その
信号の最初の極小値から始まって、時間軸に亘って記憶
される。なお、シーケンスの極小値は、そのシーケンス
内においてその直前直後の値よりも小さな値として特定
される。 ２）局所極大値の系列。これは、そのシーケンスのうち
極大値に対応する値を決定し、シーケンスの極大値のみ
からなる系列を構成することによる。その系列は、その
信号の最初の極大値から始まって、時間軸に亘って記憶
される。なお、シーケンスの極大値は、そのシーケンス
内においてその直前直後の値よりも大きな値として特定
される。 ３）局所的な（隣接する）極値（極小値又は極大値）間
の継続時間長（時間間隔）の系列（これは信号のリズム
の様子をモデル化する）。これは、シーケンス内で極小
値又は極大値に対応する値を特定することによる。すな
わち、先ず上述の系列１）、２）のように隣接する値を
比較する。そして、特定された極値の時間位置を解析
し、連続した極値の時間間隔を決定する。これらの時間
間隔は、その信号の最初の極値と次の極値との間隔から
始まって、連続して求められ、時間間隔の系列が得られ
る。 ４）系列自身。これは、サンプリングされた信号の最初
から始まって、シーケンスの連続したサンプル値全てか
ら系列を構成することによる。を計算することができ
る。
【０１７２】そして、特徴抽出ユニットは、得られた３
×４（＝１２）個の系列について対応する特徴を生成す
るために、以下の１０種類、すなわち、 １）平均値 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ４）最大値と最小値との差 ５）分散 ６）中間値 ７）第１の四分位数 ８）第３の四分位数 ９）第３の四分位数と第１の四分位数との差で定義され
る四分位数間範囲 １０）局所微分の絶対値の平均値 の統計処理を行う。
×４（＝１２）個の系列について対応する特徴を生成す
るために、以下の１０種類、すなわち、 １）平均値 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ４）最大値と最小値との差 ５）分散 ６）中間値 ７）第１の四分位数 ８）第３の四分位数 ９）第３の四分位数と第１の四分位数との差で定義され
る四分位数間範囲 １０）局所微分の絶対値の平均値 の統計処理を行う。
【０１７３】通常、上述した統計的特徴の中には、特に
第１の四分位数、中間値及び第３の四分位数を求めるた
めに、時間軸上の系列を昇順の系列へと、系列の値を並
べ替えるものもある。
第１の四分位数、中間値及び第３の四分位数を求めるた
めに、時間軸上の系列を昇順の系列へと、系列の値を並
べ替えるものもある。
【０１７４】なお、これらの統計的特徴を計算する前
に、全てのデータは予め正規化されている。
に、全てのデータは予め正規化されている。
【０１７５】この１２０個の特徴のどれを抽出するか
は、用いるアルゴリズムに依存し、これはプログラム可
能である。実施例では、特徴抽出ユニット７０は、要求
に応じて任意の数の特徴を抽出できるようにプログラム
されている。なお、少なくとも１つの特徴は、感情認識
を行う音声信号をローパスフィルタ処理した後の強度に
由来する。
は、用いるアルゴリズムに依存し、これはプログラム可
能である。実施例では、特徴抽出ユニット７０は、要求
に応じて任意の数の特徴を抽出できるようにプログラム
されている。なお、少なくとも１つの特徴は、感情認識
を行う音声信号をローパスフィルタ処理した後の強度に
由来する。
【０１７６】具体例として、上述した１０種類の統計的
特徴の中から以下の５種類の統計的特徴、すなわち、 −第１の四分位数、 −中間値、 −第３の四分位数、 −最大値、及び −最小値 の少なくとも１つを抽出するように、特徴抽出ユニット
７０をプログラムすることができる。
特徴の中から以下の５種類の統計的特徴、すなわち、 −第１の四分位数、 −中間値、 −第３の四分位数、 −最大値、及び −最小値 の少なくとも１つを抽出するように、特徴抽出ユニット
７０をプログラムすることができる。
【０１７７】ここで、上述した信号ｉ）、ii）及びii
i）の少なくとも１つ又はその組み合わせから上述の抽
出が行われ、感情を検出する各音声信号について、特徴
抽出ユニット７０によって最大１５個の特徴が抽出され
る。なお、少なくとも１つの特徴は、ローパスフィルタ
処理された信号の強度から抽出される。
i）の少なくとも１つ又はその組み合わせから上述の抽
出が行われ、感情を検出する各音声信号について、特徴
抽出ユニット７０によって最大１５個の特徴が抽出され
る。なお、少なくとも１つの特徴は、ローパスフィルタ
処理された信号の強度から抽出される。
【０１７８】また、特徴抽出ユニット７０が、ローパス
フィルタ処理後の音声信号から抽出されたピッチ信号か
ら、上述の１乃至１０の任意の特徴を抽出できるよう
に、追加的にプログラムすることも可能である。この場
合、ローパスフィルタ処理後のピッチについて、上述と
同様の１乃至４の系列が得られ、それぞれから上述の１
乃至１０の統計的特徴が得られる。このように、特徴抽
出ユニット７０は、ローパスフィルタ７４によるローパ
スフィルタ処理後のピッチ信号から、最大で４×１０＝
４０個の任意の数の統計的特徴を抽出するように、さら
にプログラムすることができる。
フィルタ処理後の音声信号から抽出されたピッチ信号か
ら、上述の１乃至１０の任意の特徴を抽出できるよう
に、追加的にプログラムすることも可能である。この場
合、ローパスフィルタ処理後のピッチについて、上述と
同様の１乃至４の系列が得られ、それぞれから上述の１
乃至１０の統計的特徴が得られる。このように、特徴抽
出ユニット７０は、ローパスフィルタ７４によるローパ
スフィルタ処理後のピッチ信号から、最大で４×１０＝
４０個の任意の数の統計的特徴を抽出するように、さら
にプログラムすることができる。
【０１７９】また、特徴抽出ユニット７０は、例えば上
述した表３の最初の６つの特徴の少なくとも１つに対応
する少数の統計的特徴、すなわち、 １：サンプリングされたローパスフィルタ処理後の信号
強度の中間値、 ２：ローパスフィルタ処理後の信号強度の平均値、 ３：サンプリングされたローパスフィルタ処理後の信号
強度の系列の第３の四分位数、 ４：サンプリングされたローパスフィルタ処理後の信号
強度の系列の第１の四分位数、 ５：サンプリングされたローパスフィルタ処理後の信号
強度の系列の最大値、及び ６：サンプリングされたローパスフィルタ処理後の信号
強度の系列の最小値を抽出するようにプログラムするこ
とも可能である。
述した表３の最初の６つの特徴の少なくとも１つに対応
する少数の統計的特徴、すなわち、 １：サンプリングされたローパスフィルタ処理後の信号
強度の中間値、 ２：ローパスフィルタ処理後の信号強度の平均値、 ３：サンプリングされたローパスフィルタ処理後の信号
強度の系列の第３の四分位数、 ４：サンプリングされたローパスフィルタ処理後の信号
強度の系列の第１の四分位数、 ５：サンプリングされたローパスフィルタ処理後の信号
強度の系列の最大値、及び ６：サンプリングされたローパスフィルタ処理後の信号
強度の系列の最小値を抽出するようにプログラムするこ
とも可能である。
【０１８０】さらに、上述した信号ｉ）、ii）及びii
i）、及び場合によってはローパスフィルタ処理後のピ
ッチ信号が、それぞれ例えば１０Ｈｚ（又は他の値）で
平滑化されるようにプログラムすることもできる。な
お、平滑化を行わなくても構わない。
i）、及び場合によってはローパスフィルタ処理後のピ
ッチ信号が、それぞれ例えば１０Ｈｚ（又は他の値）で
平滑化されるようにプログラムすることもできる。な
お、平滑化を行わなくても構わない。
【０１８１】抽出された特徴は、データロガー８２に一
時的に格納され、他の機能ユニットがその特徴にアクセ
スする。
時的に格納され、他の機能ユニットがその特徴にアクセ
スする。
【０１８２】ここで、感情感応性システム６０は、２種
類のモード、すなわちオフライン訓練感情認識及びオン
ライン訓練感情認識の何れかを選択して処理するように
設計することができる。
類のモード、すなわちオフライン訓練感情認識及びオン
ライン訓練感情認識の何れかを選択して処理するように
設計することができる。
【０１８３】オフライン訓練モードでは、例えばＦＩ
Ｇ.３の評価システムを用いて、装置外で感情を検出す
る訓練が行われる。この場合、ＦＩＧ.３のプログラム
ユニットＰＵによって、すぐに用いることのできる完全
な感情検出アルゴリズムが準備される。この感情認識で
は、そのパラメータ及びプログラムを固定としてもよく
（閉じたアルゴリズム）、また、誤りを修正するため、
又は感情認識をコーチするためのユーザのフィードバッ
クに基づいて、パラメータ及びプラグラムをある程度更
新可能としてもよい。
Ｇ.３の評価システムを用いて、装置外で感情を検出す
る訓練が行われる。この場合、ＦＩＧ.３のプログラム
ユニットＰＵによって、すぐに用いることのできる完全
な感情検出アルゴリズムが準備される。この感情認識で
は、そのパラメータ及びプログラムを固定としてもよく
（閉じたアルゴリズム）、また、誤りを修正するため、
又は感情認識をコーチするためのユーザのフィードバッ
クに基づいて、パラメータ及びプラグラムをある程度更
新可能としてもよい。
【０１８４】一方、オンライン訓練モードでは、感情認
識アルゴリズムの初期設定は存在しない。その代わり、
特徴抽出ユニット７０及びユーザのフィードバックから
抽出された特徴を解析する教師アルゴリズム、又は検出
すべき感情を示すユーザの指示が与えられる。この入力
から、教師アルゴリズムは、特定のオンライン感情認識
アルゴリズムを作成し、ユーザの入力及びフィードバッ
クが増加するにつれて、それが随時変更され、更新さ
れ、改善される。
識アルゴリズムの初期設定は存在しない。その代わり、
特徴抽出ユニット７０及びユーザのフィードバックから
抽出された特徴を解析する教師アルゴリズム、又は検出
すべき感情を示すユーザの指示が与えられる。この入力
から、教師アルゴリズムは、特定のオンライン感情認識
アルゴリズムを作成し、ユーザの入力及びフィードバッ
クが増加するにつれて、それが随時変更され、更新さ
れ、改善される。
【０１８５】ＦＩＧ.１４では、これら２つのモードの
それぞれについて機能ユニットを辿る経路が存在する。
すなわち、オフラインモード及びオンラインモードにつ
いて、それぞれＯＦＦ−Ｌ及びＯＮ−Ｌが存在する。
それぞれについて機能ユニットを辿る経路が存在する。
すなわち、オフラインモード及びオンラインモードにつ
いて、それぞれＯＦＦ−Ｌ及びＯＮ−Ｌが存在する。
【０１８６】オフラインモードについては、上述したオ
フライン感情認識アルゴリズムユニット８４が存在す
る。このオフライン感情認識アルゴリズムユニット８４
は、特徴抽出ユニット７０により抽出され、パラメータ
及びプログラムに従ってデータロガー８２に存在する特
徴を入力し、所定の設定に従って、これらの抽出された
特徴から感情を検出する。なお、このモードでは、音声
信号は、通常マイクロホン６２のみから供給される。
フライン感情認識アルゴリズムユニット８４が存在す
る。このオフライン感情認識アルゴリズムユニット８４
は、特徴抽出ユニット７０により抽出され、パラメータ
及びプログラムに従ってデータロガー８２に存在する特
徴を入力し、所定の設定に従って、これらの抽出された
特徴から感情を検出する。なお、このモードでは、音声
信号は、通常マイクロホン６２のみから供給される。
【０１８７】一方、オンライン訓練モードについては、
先ず抽出した特徴を格納するデータベース８６が存在
し、学習アルゴリズムユニット８８によって、このデー
タベース８６から様々な特徴が選択される。このため、
データベース８６はデータロガー８２と接続され、抽出
された特徴全てを格納し、抽出された特徴の集合を生成
することが可能とされている。また、学習アルゴリズム
ユニット８６から特徴抽出ユニット７０へのフィードバ
ック（ループＦＬ１）によって、特徴抽出ユニット７０
は、最適な感情検出アルゴリズムを得るための新たな要
求を満たすために、新たな特徴に変え、又は新たな特徴
を選択することできるようになる。なお、教師アルゴリ
ズムユニット８８は、種々の感情を伴った音声メッセー
ジをユーザに入力可能とするプログラムを有してもよ
く、例えばデータベース８といった音声データベースか
ら受け取ったデータと結びつけられていてもよい。
先ず抽出した特徴を格納するデータベース８６が存在
し、学習アルゴリズムユニット８８によって、このデー
タベース８６から様々な特徴が選択される。このため、
データベース８６はデータロガー８２と接続され、抽出
された特徴全てを格納し、抽出された特徴の集合を生成
することが可能とされている。また、学習アルゴリズム
ユニット８６から特徴抽出ユニット７０へのフィードバ
ック（ループＦＬ１）によって、特徴抽出ユニット７０
は、最適な感情検出アルゴリズムを得るための新たな要
求を満たすために、新たな特徴に変え、又は新たな特徴
を選択することできるようになる。なお、教師アルゴリ
ズムユニット８８は、種々の感情を伴った音声メッセー
ジをユーザに入力可能とするプログラムを有してもよ
く、例えばデータベース８といった音声データベースか
ら受け取ったデータと結びつけられていてもよい。
【０１８８】ここで、教師アルゴリズムユニット８６が
要求されたオンライン感情認識アルゴリズムを作成する
と、そのオンライン感情認識アルゴリズムは、オンライ
ン感情認識アルゴリズムユニット９０にロードされる。
そして、オンライン感情認識アルゴリズムユニット９０
は、オフライン感情認識アルゴリズムユニット８４と同
様の感情認識処理を実行する。但し、その感情認識処理
は、内部的に生成され、ユーザといった特定の話者に特
に適合したものである。
要求されたオンライン感情認識アルゴリズムを作成する
と、そのオンライン感情認識アルゴリズムは、オンライ
ン感情認識アルゴリズムユニット９０にロードされる。
そして、オンライン感情認識アルゴリズムユニット９０
は、オフライン感情認識アルゴリズムユニット８４と同
様の感情認識処理を実行する。但し、その感情認識処理
は、内部的に生成され、ユーザといった特定の話者に特
に適合したものである。
【０１８９】感情検出アルゴリズムユニット８４，９０
の何れかで検出される感情タイプは、前述した通り、
「平静」、「悲しみ」、「喜び」、「怒り」である。な
お、他の感情に対応させてもよいことは勿論である。
の何れかで検出される感情タイプは、前述した通り、
「平静」、「悲しみ」、「喜び」、「怒り」である。な
お、他の感情に対応させてもよいことは勿論である。
【０１９０】オフライン処理を行うかオンライン処理を
行うかの選択は、選択器９２が行う。この選択器９２
は、感情検出アルゴリズム８４又は感情検出アルゴリズ
ム９０の何れから検出された感情を取り出すかを選択す
る。なお、この選択は、外部からのユーザ入力信号９４
を介して行われる。
行うかの選択は、選択器９２が行う。この選択器９２
は、感情検出アルゴリズム８４又は感情検出アルゴリズ
ム９０の何れから検出された感情を取り出すかを選択す
る。なお、この選択は、外部からのユーザ入力信号９４
を介して行われる。
【０１９１】ここで、通常、以下のような変更が可能で
ある。すなわち、−システム６０は、オフライン感情認
識アルゴリズム８４のみを有する。このオフライン感情
認識アルゴリズム８４は、完全に固定であり、又はフィ
ードバックに対応してある程度適応化できる。−システ
ムは、オンライン感情アルゴリズムシステムのみを有す
る。このオンライン感情アルゴリズムシステムは、教師
アルゴリズムと、後者（ユニット８６乃至９０）によっ
て作成されたオンライン感情認識アルゴリズムとで構成
される。
ある。すなわち、−システム６０は、オフライン感情認
識アルゴリズム８４のみを有する。このオフライン感情
認識アルゴリズム８４は、完全に固定であり、又はフィ
ードバックに対応してある程度適応化できる。−システ
ムは、オンライン感情アルゴリズムシステムのみを有す
る。このオンライン感情アルゴリズムシステムは、教師
アルゴリズムと、後者（ユニット８６乃至９０）によっ
て作成されたオンライン感情認識アルゴリズムとで構成
される。
【０１９２】ＦＩＧ.３のプログラムユニットＰＵは、
要求された情報及びコードを種々の機能ユニットに供給
することができる。このことは、プログラミングインタ
ーフェースＰＩを介して実現される。特に、プログラム
ユニットＰＵ及びそのインターフェースＰＩは、追加サ
ンプル又は相補データとするためにデータベース８６に
特徴を供給すると共に、特徴抽出ユニット７０をプログ
ラムし、オフライン感情認識アルゴリズム（ユニット８
４）及び／又は教師アルゴリズム（ユニット８８）をロ
ードさせる。
要求された情報及びコードを種々の機能ユニットに供給
することができる。このことは、プログラミングインタ
ーフェースＰＩを介して実現される。特に、プログラム
ユニットＰＵ及びそのインターフェースＰＩは、追加サ
ンプル又は相補データとするためにデータベース８６に
特徴を供給すると共に、特徴抽出ユニット７０をプログ
ラムし、オフライン感情認識アルゴリズム（ユニット８
４）及び／又は教師アルゴリズム（ユニット８８）をロ
ードさせる。
【０１９３】オフライン感情認識アルゴリズムユニット
８４又はオンライン感情認識アルゴリズムユニット９０
の一方又は他方からの出力は、検出感情入力ユニット９
４に供給され、ここで認識された感情が確認される。そ
して、全ての感情反応を制御するために、検出された感
情は、検出感情入力ユニット９４から感情反応ユニット
９６に供給される。例えばペット型ロボットの場合に
は、この感情反応ユニット９６は、適切な反応を模すた
めに、種々の電気機械アクチュエータ、光及び音響装置
の処理を制御する。
８４又はオンライン感情認識アルゴリズムユニット９０
の一方又は他方からの出力は、検出感情入力ユニット９
４に供給され、ここで認識された感情が確認される。そ
して、全ての感情反応を制御するために、検出された感
情は、検出感情入力ユニット９４から感情反応ユニット
９６に供給される。例えばペット型ロボットの場合に
は、この感情反応ユニット９６は、適切な反応を模すた
めに、種々の電気機械アクチュエータ、光及び音響装置
の処理を制御する。
【０１９４】また、反応の１つとしては、人間のユーザ
９８、又は制御する人間若しくは装置に検出した情報を
示すために、フィードバックを行うことが挙げられる。
これは、検出された感情を示す視覚的、聴覚的、電気的
又は機械的な信号を伝達する検出感情指示器１００によ
って実現することができる。これにより、正しく同定で
きたか否かをチェックし、適切に修正測定を行うことが
可能となる。
９８、又は制御する人間若しくは装置に検出した情報を
示すために、フィードバックを行うことが挙げられる。
これは、検出された感情を示す視覚的、聴覚的、電気的
又は機械的な信号を伝達する検出感情指示器１００によ
って実現することができる。これにより、正しく同定で
きたか否かをチェックし、適切に修正測定を行うことが
可能となる。
【０１９５】特に、これにより、ユーザ９８は、フィー
ドバック反応ユニット１０２にフィードバック反応を返
すことができる。このフィードバック反応ユニット１０
２は、関連する種々のユニット、例えばオフライン感情
認識アルゴリズムユニット８４（柔軟性がある場合）、
教師アルゴリズムユニット８８及びオンライン感情認識
アルゴリズムユニット９０に対する適切なフィードバッ
クメッセージを生成する。
ドバック反応ユニット１０２にフィードバック反応を返
すことができる。このフィードバック反応ユニット１０
２は、関連する種々のユニット、例えばオフライン感情
認識アルゴリズムユニット８４（柔軟性がある場合）、
教師アルゴリズムユニット８８及びオンライン感情認識
アルゴリズムユニット９０に対する適切なフィードバッ
クメッセージを生成する。
【０１９６】以上の記載より、信号から抽出され、その
少なくとも１つがローパスフィルタ処理後の信号から抽
出された特徴の種々の組み合わせによって、本発明が実
現されることは明らかである。
少なくとも１つがローパスフィルタ処理後の信号から抽
出された特徴の種々の組み合わせによって、本発明が実
現されることは明らかである。
【０１９７】これらの特徴に基づく感情アルゴリズム
は、実験的な基礎の下に選択される。この明細書で引用
したアルゴリズムは、その目的に沿う多くのアルゴリズ
ムの１つである。したがって、教師アルゴリズムと感情
検出アルゴリズムとについて、他のアルゴリズムを用い
ても本発明を実現することができる。
は、実験的な基礎の下に選択される。この明細書で引用
したアルゴリズムは、その目的に沿う多くのアルゴリズ
ムの１つである。したがって、教師アルゴリズムと感情
検出アルゴリズムとについて、他のアルゴリズムを用い
ても本発明を実現することができる。
【図１】ＦＩＧ.１は、力価及び奮起を表す直角軸にお
いて基本感情が何処に位置するかを示す図である。
いて基本感情が何処に位置するかを示す図である。
【図２】ＦＩＧ.２ａ，２ｂ及び２ｃは、音声信号（Ｆ
ＩＧ.２ａ）、ピッチ（ＦＩＧ.２ｂ）及び強度（ＦＩ
Ｇ.２ｃ）の間の関係を示す信号波形の図である。
ＩＧ.２ａ）、ピッチ（ＦＩＧ.２ｂ）及び強度（ＦＩ
Ｇ.２ｃ）の間の関係を示す信号波形の図である。
【図３】ＦＩＧ.３は、感情を検出する音響信号のロー
パスフィルタ処理を用いた本発明に係る感情検出アプロ
ーチを評価し、特徴付け、最適化するシステムを示すブ
ロック図である。
パスフィルタ処理を用いた本発明に係る感情検出アプロ
ーチを評価し、特徴付け、最適化するシステムを示すブ
ロック図である。
【図４】ＦＩＧ.４は、ローパスフィルタ反応曲線の典
型的な曲線及び理想的な曲線を示す図である。
型的な曲線及び理想的な曲線を示す図である。
【図５】ＦＩＧ.５は、ＦＩＧ.３のシステムで用いられ
る調整可能なカットオフ周波数の反応を示す曲線群を表
す図である。
る調整可能なカットオフ周波数の反応を示す曲線群を表
す図である。
【図６】ＦＩＧ.６は、考慮した信号特徴がどのように
由来しているかを示すサンプル信号波形（信号強度対時
間）を表す図である。
由来しているかを示すサンプル信号波形（信号強度対時
間）を表す図である。
【図７】ＦＩＧ.７ａ，７ｂ及び７ｃは、感情検出のた
めに種々に抽出された信号特徴に関して分析した場合に
おける音声サンプルの分布を示す図であり、それぞれ情
報性の悪い特徴、よい特徴、及びさらによい特徴を用い
た場合を示す。
めに種々に抽出された信号特徴に関して分析した場合に
おける音声サンプルの分布を示す図であり、それぞれ情
報性の悪い特徴、よい特徴、及びさらによい特徴を用い
た場合を示す。
【図８】ＦＩＧ.８ａ及び８ｂは、データ点のグループ
特性の観点で正しく感情が検出された度合いを示す、第
１及び第３の四分位数によって検出された感情の分布を
示す図であり、それぞれローパスフィルタ処理していな
い信号についての結果とカットオフ周波数２５０Ｈｚで
ローパスフィルタ処理された信号についての結果とを示
す。
特性の観点で正しく感情が検出された度合いを示す、第
１及び第３の四分位数によって検出された感情の分布を
示す図であり、それぞれローパスフィルタ処理していな
い信号についての結果とカットオフ周波数２５０Ｈｚで
ローパスフィルタ処理された信号についての結果とを示
す。
【図９】ＦＩＧ.９は、種々の状況下で信号特徴を様々
に選択して感情検出を行った複数のアルゴリズムの性能
を示す図である。
に選択して感情検出を行った複数のアルゴリズムの性能
を示す図である。
【図１０】ＦＩＧ.１０は、種々の状況下で信号特徴を
様々に選択して感情検出を行った複数のアルゴリズムの
性能を示す図である。
様々に選択して感情検出を行った複数のアルゴリズムの
性能を示す図である。
【図１１】ＦＩＧ.１１は、種々の状況下で信号特徴を
様々に選択して感情検出を行った複数のアルゴリズムの
性能を示す図である。
様々に選択して感情検出を行った複数のアルゴリズムの
性能を示す図である。
【図１２】ＦＩＧ.１２は、種々の状況下で信号特徴を
様々に選択して感情検出を行った複数のアルゴリズムの
性能を示す図である。
様々に選択して感情検出を行った複数のアルゴリズムの
性能を示す図である。
【図１３】ＦＩＧ.１３は、種々の状況下で信号特徴を
様々に選択して感情検出を行った複数のアルゴリズムの
性能を示す図である。
様々に選択して感情検出を行った複数のアルゴリズムの
性能を示す図である。
【図１４】ＦＩＧ.１４は、本発明に従って音声信号の
ローパスフィルタ処理を行う感情感応性システムを示す
ブロック図である。
ローパスフィルタ処理を行う感情感応性システムを示す
ブロック図である。
Claims (26)
- 【請求項１】 音声信号に由来する少なくとも１つの特
徴からなるセットを抽出（７０）するステップと、抽出
された特徴の上記セットを処理（８４，９０）してその
感情を検出するステップとを有し、上記音声信号によっ
て伝達される感情を検出する方法であって、 上記音声信号から上記セットの少なくとも１つの特徴を
抽出する前に、上記音声信号をローパスフィルタで処理
（７４）するステップを有することを特徴とする前記方
法。 - 【請求項２】 請求項１記載の方法において、 上記ローパスフィルタ処理ステップでは、上記音声信号
の強度が１５０乃至４００Ｈｚの範囲のカットオフ周波
数（Ｆｃｏ）でフィルタリング処理（７４）されること
を特徴とする前記方法。 - 【請求項３】 請求項２記載の方法において、 上記カットオフ周波数（Ｆｃｏ）が２５０乃至３００Ｈ
ｚの範囲内であることを特徴とする前記方法。 - 【請求項４】 請求項３記載の方法において、 上記カットオフ周波数（Ｆｃｏ）が２５０Ｈｚに等しい
ことを特徴とする前記方法。 - 【請求項５】 請求項１乃至請求項４のいずれか１項記
載の方法において、 上記特徴抽出ステップは、以下のパラメータＩ、II及び
III、すなわち、 −パラメータＩ： ｉ）上記ローパスフィルタ処理ステップ（７４）後の信
号強度、 ii）ローパスフィルタ処理を行わない場合の信号強度、 iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ、及び iv）上記ローパスフィルタ処理ステップ（７４）後の信
号のピッチ −パラメータII（上記音声信号の継続時間に亘って得ら
れたパラメータＩの数値列から）： １）極小値に対応する上記数値列の値からなる局所極小
値の系列、 ２）極大値に対応する上記数値列の値からなる局所極大
値の系列、 ３）局所的な（隣接する）極値を分離する時間値からな
る継続時間長（時間間隔）の系列、及び ４）上記数値列の全ての連続するサンプル値からなる系
列、そして、 −パラメータIII（パラメータIIの系列から計算され
る）： １）平均値 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ４）最大値と最小値との差 ５）分散 ６）中間値 ７）第１の四分位数 ８）第３の四分位数 ９）第３の四分位数と第１の四分位数との差で定義され
る四分位数間範囲 １０）局所微分の絶対値の平均値 の組み合わせで得られた１６０個の特徴から、１以上の
特徴を選択的に抽出するステップを有し、 少なくとも１つの上記特徴は、パラメータＩのｉ）ロー
パスフィルタ処理ステップ（７４）後の信号強度、又は
iv）ローパスフィルタ処理ステップ（７４）後の信号の
ピッチに由来することを特徴とする前記方法。 - 【請求項６】 請求項５記載の方法において、 上記パラメータＩは、 ｉ）ローパスフィルタ処理ステップ（７４）後の信号強
度、 ii）ローパスフィルタ処理を行わない場合の信号強度、
及び iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ からなり、上記組み合わせによって合計で１２０個の特
徴を生成し、 少なくとも１つの上記特徴は、パラメータＩのｉ）ロー
パスフィルタ処理ステップ（７４）後の信号強度に由来
することを特徴とする前記方法。 - 【請求項７】 請求項５又は請求項６記載の方法におい
て、 上記パラメータIIIは、 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ６）中間値 ７）第１の四分位数 ８）第３の四分位数 からなり、上記組み合わせによって請求項５では合計で
８０個、請求項６では合計で５０個の特徴を生成するこ
とを特徴とする前記方法。 - 【請求項８】 請求項７記載の方法において、 上記特徴抽出ステップでは、以下の特徴、 −最大値（すなわち全体で最も大きな値） −最小値（すなわち全体で最も大きな値） −中間値 −第１の四分位数 −第３の四分位数 の少なくとも１つが抽出され、 −上記音声信号をローパスフィルタで処理した後におけ
る信号の強度値の系列、 −上記音声信号をローパスフィルタで処理しない場合に
おける信号の強度の最小値の系列、 −上記音声信号をローパスフィルタで処理した場合にお
ける信号のピッチ値の系列、及び −上記音声信号をローパスフィルタで処理しない場合に
おける信号のピッチ値の系列 から計算されることを特徴とする前記方法。 - 【請求項９】 請求項１乃至請求項８のいずれか１項記
載の方法において、 上記特徴抽出ステップでは、ローパスフィルタ処理ステ
ップ（７４）後の音声信号とローパスフィルタ処理を行
わない場合の音声信号との両方に由来する特徴が抽出さ
れることを特徴とする前記方法。 - 【請求項１０】 請求項１乃至請求項８のいずれか１項
記載の方法において、 上記特徴抽出ステップでは、ローパスフィルタ処理ステ
ップ（７４）後の音声信号からのみ特徴が抽出されるこ
とを特徴とする前記方法。 - 【請求項１１】 請求項１乃至請求項１０のいずれか１
項記載の方法において、 上記特徴セットには、 １：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の中間値、 ２：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の平均値、 ３：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の第３の四分位数、 ４：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の第１の四分位数、 ５：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の最大値、及び ６：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の系列の最大値 の少なくとも１つが含まれることを特徴とする前記方
法。 - 【請求項１２】 請求項１乃至請求項１１のいずれか１
項記載の方法において、 上記特徴抽出ステップの前に、上記音声信号から抽出さ
れた信号を平滑化するステップをさらに有することを特
徴とする前記方法。 - 【請求項１３】 請求項１乃至請求項１２のいずれか１
項記載の方法において、 教師アルゴリズムを用いて感
情検出アルゴリズムを生成するステップをさらに有し、 上記教師アルゴリズムは、ローパスフィルタ処理後の音
声信号から抽出された特徴の少なくとも１つを利用する
ことを特徴とする前記方法。 - 【請求項１４】 請求項１３記載の方法において、 オフライン感情検出アルゴリズム（８４）及び／又はオ
ンライン感情検出アルゴリズム（９０）により感情検出
装置（６０）をプログラム（ＰＵ）するステップを有
し、 上記アルゴリズムは、ローパスフィルタ処理後の音声信
号から抽出された特徴の少なくとも１つを利用すること
を特徴とする前記方法。 - 【請求項１５】 音声信号に由来する少なくとも１つ特
徴からなるセットを抽出する抽出手段（７０）と、抽出
された特徴の上記セットを処理してその感情を検出する
処理手段（８４，９０）とを備え、上記音声信号によっ
て伝達される感情を検出する装置であって、 上記音声信号から上記セットの少なくとも１つの特徴を
抽出する前に、上記音声信号をローパスフィルタで処理
するローパスフィルタ処理手段（７４）を備えることを
特徴とする前記装置。 - 【請求項１６】 請求項１５記載の装置において、 上記ローパスフィルタ処理手段（７４）は、１５０乃至
４００Ｈｚの範囲のカットオフ周波数（Ｆｃｏ）を有す
ることを特徴とする前記装置。 - 【請求項１７】 請求項１６記載の装置において、 上記カットオフ周波数（Ｆｃｏ）が２５０乃至３００Ｈ
ｚの範囲内であることを特徴とする前記装置。 - 【請求項１８】 請求項１７記載の装置において、 上記カットオフ周波数（Ｆｃｏ）が２５０Ｈｚに等しい
ことを特徴とする前記装置。 - 【請求項１９】 請求項１５乃至請求項１８のいずれか
１項記載の装置において、 上記特徴抽出手段（７０）は、以下のパラメータＩ、II
及びIII、すなわち −パラメータＩ： ｉ）上記ローパスフィルタ処理ステップ（７４）後の信
号強度、 ii）ローパスフィルタ処理を行わない場合の信号強度、 iii）ローパスフィルタ処理を行わない場合の信号のピ
ッチ、及び iv）上記ローパスフィルタ処理ステップ（７４）後の信
号のピッチ −パラメータII（上記音声信号の継続時間に亘って得ら
れたパラメータＩの数値列から）： １）最小値に対応する上記数値列の値からなる局所最小
値の系列、 ２）最大値に対応する上記数値列の値からなる局所最大
値の系列、 ３）局所的な（隣接する）極値を分離する時間値からな
る継続時間長（時間間隔）の系列、及び ４）上記数値列の全ての連続するサンプル値からなる系
列、そして、 −パラメータIII（パラメータIIの系列から計算され
る） １）平均値 ２）最大値（すなわち全体で最も大きな値） ３）最小値（すなわち全体で最も大きな値） ４）最大値と最小値との差 ５）分散 ６）中間値 ７）第１の四分位数 ８）第３の四分位数 ９）第３の四分位数と第１の四分位数との差で定義され
る四分位数間範囲 １０）局所微分の絶対値の平均値 の組み合わせで得られた１６０個の特徴から、１以上の
特徴を選択的に抽出する手段を有し、 少なくとも１つの上記特徴は、パラメータＩのｉ）ロー
パスフィルタ処理ステップ（７４）後の信号強度、又は
iv）ローパスフィルタ処理ステップ（７４）後の信号の
ピッチに由来することを特徴とする前記装置。 - 【請求項２０】 請求項１５乃至請求項１９のいずれか
１項記載の装置において、 上記特徴抽出手段（７０）は、ローパスフィルタ処理手
段（７４）後の音声信号とローパスフィルタ処理を行わ
ない場合の音声信号との両方に由来する特徴を抽出する
ように設定されていることを特徴とする前記装置。 - 【請求項２１】 請求項１５乃至請求項１９のいずれか
１項記載の装置において、 上記特徴抽出手段（７０）は、ローパスフィルタ処理手
段（７４）後の音声信号からのみ特徴を抽出するように
設定されていることを特徴とする前記装置。 - 【請求項２２】 請求項１５乃至請求項２１のいずれか
１項記載の装置において、 上記特徴セットには、 １：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の中間値、 ２：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の平均値、 ３：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の第３の四分位数、 ４：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の第１の四分位数、 ５：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の最大値、及び ６：上記音声信号をローパスフィルタで処理した後にお
ける信号強度の系列の最大値 の少なくとも１つが含まれることを特徴とする前記装
置。 - 【請求項２３】 請求項１５乃至請求項２２のいずれか
１項記載の装置において、 上記特徴抽出手段の前段に、上記音声信号から抽出され
た信号を平滑化する手段をさらに備えることを特徴とす
る前記装置。 - 【請求項２４】 請求項１５乃至請求項２３のいずれか
１項記載の装置において、 上記処理手段は、プログラム化されたアルゴリズムを含
むオフライン感情認識アルゴリズムユニット（８４）を
有することを特徴とする前記装置。 - 【請求項２５】 請求項１５乃至請求項２４のいずれか
１項記載の装置において、 上記処理手段は、オンライン感情認識アルゴリズムユニ
ット（９０）を有し、 当該装置は、上記特徴抽出手段（７０）の生成した信号
に対応して感情認識アルゴリズムを生成する教師アルゴ
リズムユニット（８８）をさらに備えることを特徴とす
る前記装置。 - 【請求項２６】 請求項１５乃至請求項２５のいずれか
１項記載の装置に適合する音声信号処理装置であって、 上記特徴抽出手段（７０）にローパスフィルタ処理後の
音声信号を供給するためのローパスフィルタ処理手段
（７４）を備えることを特徴とする前記装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP01401879.0 | 2001-07-13 | ||
| EP01401879A EP1256937B1 (en) | 2001-05-11 | 2001-07-13 | Emotion recognition method and device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003099084A true JP2003099084A (ja) | 2003-04-04 |
| JP4458321B2 JP4458321B2 (ja) | 2010-04-28 |
Family
ID=8182804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002206011A Expired - Fee Related JP4458321B2 (ja) | 2001-07-13 | 2002-07-15 | 感情認識方法および感情認識装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US7451079B2 (ja) |
| EP (1) | EP1256937B1 (ja) |
| JP (1) | JP4458321B2 (ja) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005346471A (ja) * | 2004-06-03 | 2005-12-15 | Canon Inc | 情報処理方法、情報処理装置 |
| WO2008032787A1 (fr) * | 2006-09-13 | 2008-03-20 | Nippon Telegraph And Telephone Corporation | ProcÉDÉ de dÉtection de sensations, dispositif de dÉtection de sensations, programme de dÉtection de sensations contenant le procÉDÉ, et support d'enregistrement contenant le programme |
| US8204747B2 (en) | 2006-06-23 | 2012-06-19 | Panasonic Corporation | Emotion recognition apparatus |
| JP2012168296A (ja) * | 2011-02-10 | 2012-09-06 | Fujitsu Ltd | 音声による抑圧状態検出装置およびプログラム |
| CN102779510A (zh) * | 2012-07-19 | 2012-11-14 | 东南大学 | 基于特征空间自适应投影的语音情感识别方法 |
| CN103531198A (zh) * | 2013-11-01 | 2014-01-22 | 东南大学 | 一种基于伪说话人聚类的语音情感特征规整化方法 |
| CN103971673A (zh) * | 2013-02-05 | 2014-08-06 | 财团法人交大思源基金会 | 韵律结构分析装置与语音合成的装置及方法 |
| US9099088B2 (en) | 2010-04-22 | 2015-08-04 | Fujitsu Limited | Utterance state detection device and utterance state detection method |
| KR101560833B1 (ko) * | 2009-01-30 | 2015-10-15 | 삼성전자주식회사 | 음성 신호를 이용한 감정 인식 장치 및 방법 |
| KR101560834B1 (ko) * | 2009-02-18 | 2015-10-15 | 삼성전자주식회사 | 음성 신호를 이용한 감정 인식 장치 및 방법 |
| JP2020008730A (ja) * | 2018-07-09 | 2020-01-16 | 富士ゼロックス株式会社 | 感情推定システムおよびプログラム |
| WO2020071015A1 (ja) * | 2018-10-02 | 2020-04-09 | パナソニックＩｐマネジメント株式会社 | 音データ学習システム、音データ学習方法および音データ学習装置 |
Families Citing this family (112)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8001067B2 (en) * | 2004-01-06 | 2011-08-16 | Neuric Technologies, Llc | Method for substituting an electronic emulation of the human brain into an application to replace a human |
| US7925492B2 (en) | 2004-01-06 | 2011-04-12 | Neuric Technologies, L.L.C. | Method for determining relationships through use of an ordered list between processing nodes in an emulated human brain |
| US20070156625A1 (en) * | 2004-01-06 | 2007-07-05 | Neuric Technologies, Llc | Method for movie animation |
| US7089218B1 (en) * | 2004-01-06 | 2006-08-08 | Neuric Technologies, Llc | Method for inclusion of psychological temperament in an electronic emulation of the human brain |
| US7113636B2 (en) * | 2002-08-30 | 2006-09-26 | Lockheed Martin Corporation | Method and computer program product for generating training data for a new class in a pattern recognition classifier |
| JP4204839B2 (ja) * | 2002-10-04 | 2009-01-07 | 株式会社エイ・ジー・アイ | 発想モデル装置、自発感情モデル装置、発想のシミュレーション方法、自発感情のシミュレーション方法、およびプログラム |
| DE10254612A1 (de) * | 2002-11-22 | 2004-06-17 | Humboldt-Universität Zu Berlin | Verfahren zur Ermittlung spezifisch relevanter akustischer Merkmale von Schallsignalen für die Analyse unbekannter Schallsignale einer Schallerzeugung |
| US7260519B2 (en) * | 2003-03-13 | 2007-08-21 | Fuji Xerox Co., Ltd. | Systems and methods for dynamically determining the attitude of a natural language speaker |
| US7013005B2 (en) | 2004-02-11 | 2006-03-14 | Hewlett-Packard Development Company, L.P. | System and method for prioritizing contacts |
| DE102004011426B3 (de) * | 2004-03-09 | 2005-05-25 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung zum Erkennen einer in einem Sprachsignal enthaltenen Emotion und Verfahren zum Erkennen einer in einem Sprachsignal enthaltenen Emotion |
| EP1582965A1 (en) | 2004-04-01 | 2005-10-05 | Sony Deutschland Gmbh | Emotion controlled system for processing multimedia data |
| US8687792B2 (en) | 2004-04-22 | 2014-04-01 | Hewlett-Packard Development Company, L.P. | System and method for dialog management within a call handling system |
| US20050289582A1 (en) * | 2004-06-24 | 2005-12-29 | Hitachi, Ltd. | System and method for capturing and using biometrics to review a product, service, creative work or thing |
| US7788104B2 (en) * | 2004-09-10 | 2010-08-31 | Panasonic Corporation | Information processing terminal for notification of emotion |
| US7914468B2 (en) * | 2004-09-22 | 2011-03-29 | Svip 4 Llc | Systems and methods for monitoring and modifying behavior |
| US20060122834A1 (en) * | 2004-12-03 | 2006-06-08 | Bennett Ian M | Emotion detection device & method for use in distributed systems |
| US8473449B2 (en) * | 2005-01-06 | 2013-06-25 | Neuric Technologies, Llc | Process of dialogue and discussion |
| CA2611259C (en) * | 2005-06-09 | 2016-03-22 | A.G.I. Inc. | Speech analyzer detecting pitch frequency, speech analyzing method, and speech analyzing program |
| US7912720B1 (en) * | 2005-07-20 | 2011-03-22 | At&T Intellectual Property Ii, L.P. | System and method for building emotional machines |
| WO2007017853A1 (en) * | 2005-08-08 | 2007-02-15 | Nice Systems Ltd. | Apparatus and methods for the detection of emotions in audio interactions |
| US8078470B2 (en) * | 2005-12-22 | 2011-12-13 | Exaudios Technologies Ltd. | System for indicating emotional attitudes through intonation analysis and methods thereof |
| US8032375B2 (en) * | 2006-03-17 | 2011-10-04 | Microsoft Corporation | Using generic predictive models for slot values in language modeling |
| US7571101B2 (en) * | 2006-05-25 | 2009-08-04 | Charles Humble | Quantifying psychological stress levels using voice patterns |
| US8340956B2 (en) * | 2006-05-26 | 2012-12-25 | Nec Corporation | Information provision system, information provision method, information provision program, and information provision program recording medium |
| US7974738B2 (en) * | 2006-07-05 | 2011-07-05 | Battelle Energy Alliance, Llc | Robotics virtual rail system and method |
| US7587260B2 (en) * | 2006-07-05 | 2009-09-08 | Battelle Energy Alliance, Llc | Autonomous navigation system and method |
| US8073564B2 (en) * | 2006-07-05 | 2011-12-06 | Battelle Energy Alliance, Llc | Multi-robot control interface |
| US7668621B2 (en) * | 2006-07-05 | 2010-02-23 | The United States Of America As Represented By The United States Department Of Energy | Robotic guarded motion system and method |
| US8271132B2 (en) * | 2008-03-13 | 2012-09-18 | Battelle Energy Alliance, Llc | System and method for seamless task-directed autonomy for robots |
| US8355818B2 (en) | 2009-09-03 | 2013-01-15 | Battelle Energy Alliance, Llc | Robots, systems, and methods for hazard evaluation and visualization |
| US8965578B2 (en) | 2006-07-05 | 2015-02-24 | Battelle Energy Alliance, Llc | Real time explosive hazard information sensing, processing, and communication for autonomous operation |
| US7584020B2 (en) * | 2006-07-05 | 2009-09-01 | Battelle Energy Alliance, Llc | Occupancy change detection system and method |
| US7620477B2 (en) * | 2006-07-05 | 2009-11-17 | Battelle Energy Alliance, Llc | Robotic intelligence kernel |
| US7801644B2 (en) * | 2006-07-05 | 2010-09-21 | Battelle Energy Alliance, Llc | Generic robot architecture |
| US7752043B2 (en) | 2006-09-29 | 2010-07-06 | Verint Americas Inc. | Multi-pass speech analytics |
| US20080096532A1 (en) * | 2006-10-24 | 2008-04-24 | International Business Machines Corporation | Emotional state integrated messaging |
| US20080115063A1 (en) * | 2006-11-13 | 2008-05-15 | Flagpath Venture Vii, Llc | Media assembly |
| US8571853B2 (en) * | 2007-02-11 | 2013-10-29 | Nice Systems Ltd. | Method and system for laughter detection |
| US20080249764A1 (en) * | 2007-03-01 | 2008-10-09 | Microsoft Corporation | Smart Sentiment Classifier for Product Reviews |
| US8166109B2 (en) * | 2007-06-21 | 2012-04-24 | Cisco Technology, Inc. | Linking recognized emotions to non-visual representations |
| US7953279B2 (en) | 2007-06-28 | 2011-05-31 | Microsoft Corporation | Combining online and offline recognizers in a handwriting recognition system |
| US8721554B2 (en) | 2007-07-12 | 2014-05-13 | University Of Florida Research Foundation, Inc. | Random body movement cancellation for non-contact vital sign detection |
| US8180780B2 (en) * | 2007-12-06 | 2012-05-15 | International Business Machines Corporation | Collaborative program development method and system |
| US8195460B2 (en) | 2008-06-17 | 2012-06-05 | Voicesense Ltd. | Speaker characterization through speech analysis |
| US8719016B1 (en) | 2009-04-07 | 2014-05-06 | Verint Americas Inc. | Speech analytics system and system and method for determining structured speech |
| WO2011011413A2 (en) * | 2009-07-20 | 2011-01-27 | University Of Florida Research Foundation, Inc. | Method and apparatus for evaluation of a subject's emotional, physiological and/or physical state with the subject's physiological and/or acoustic data |
| TWI396105B (zh) * | 2009-07-21 | 2013-05-11 | Univ Nat Taiwan | 用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統 |
| US8595005B2 (en) | 2010-05-31 | 2013-11-26 | Simple Emotion, Inc. | System and method for recognizing emotional state from a speech signal |
| US11393133B2 (en) * | 2010-06-07 | 2022-07-19 | Affectiva, Inc. | Emoji manipulation using machine learning |
| WO2012003523A1 (en) | 2010-07-06 | 2012-01-12 | Rmit University | Emotional and/or psychiatric state detection |
| GB2481992A (en) * | 2010-07-13 | 2012-01-18 | Sony Europe Ltd | Updating text-to-speech converter for broadcast signal receiver |
| US8731932B2 (en) | 2010-08-06 | 2014-05-20 | At&T Intellectual Property I, L.P. | System and method for synthetic voice generation and modification |
| EP2418643A1 (en) * | 2010-08-11 | 2012-02-15 | Software AG | Computer-implemented method and system for analysing digital speech data |
| CN102479291A (zh) * | 2010-11-30 | 2012-05-30 | 国际商业机器公司 | 情感描述生成与体验方法和设备以及情感交互系统 |
| WO2012089906A1 (en) * | 2010-12-30 | 2012-07-05 | Nokia Corporation | Method, apparatus and computer program product for emotion detection |
| CN102637433B (zh) * | 2011-02-09 | 2015-11-25 | 富士通株式会社 | 识别语音信号中所承载的情感状态的方法和系统 |
| EP2551846B1 (en) * | 2011-07-26 | 2022-01-19 | AKG Acoustics GmbH | Noise reducing sound reproduction |
| US9491537B2 (en) * | 2011-07-26 | 2016-11-08 | Harman Becker Automotive Systems Gmbh | Noise reducing sound reproduction system |
| GB2494104A (en) * | 2011-08-19 | 2013-03-06 | Simon Mark Adam Bell | Recognizing the emotional effect a speaker is having on a listener by analyzing the sound of his or her voice |
| KR101901417B1 (ko) * | 2011-08-29 | 2018-09-27 | 한국전자통신연구원 | 감성기반 안전운전 자동차 서비스 시스템, 안전운전 서비스를 위한 감성인지 처리 장치 및 안전운전 서비스 장치, 감성기반 차량용 안전운전 서비스 방법 |
| US20130174018A1 (en) * | 2011-09-13 | 2013-07-04 | Cellpy Com. Ltd. | Pyramid representation over a network |
| KR20130055429A (ko) * | 2011-11-18 | 2013-05-28 | 삼성전자주식회사 | 감정 세그먼트 기반의 감정 인식 장치 및 방법 |
| TWI473080B (zh) * | 2012-04-10 | 2015-02-11 | Nat Univ Chung Cheng | The use of phonological emotions or excitement to assist in resolving the gender or age of speech signals |
| US9002768B2 (en) * | 2012-05-12 | 2015-04-07 | Mikhail Fedorov | Human-computer interface system |
| US8984065B2 (en) | 2012-08-01 | 2015-03-17 | Eharmony, Inc. | Systems and methods for online matching using non-self-identified data |
| US20140188552A1 (en) * | 2013-01-02 | 2014-07-03 | Lap Chan | Methods and systems to reach target customers at the right time via personal and professional mood analysis |
| US9472207B2 (en) | 2013-06-20 | 2016-10-18 | Suhas Gondi | Portable assistive device for combating autism spectrum disorders |
| IN2013CH04602A (ja) * | 2013-10-10 | 2015-10-09 | 3Gs Wellness Pvt Ltd | |
| US10561361B2 (en) * | 2013-10-20 | 2020-02-18 | Massachusetts Institute Of Technology | Using correlation structure of speech dynamics to detect neurological changes |
| KR102191306B1 (ko) * | 2014-01-22 | 2020-12-15 | 삼성전자주식회사 | 음성 감정 인식 시스템 및 방법 |
| JP2017508188A (ja) | 2014-01-28 | 2017-03-23 | シンプル エモーション, インコーポレイテッドSimple Emotion, Inc. | 適応型音声対話のための方法 |
| US9892556B2 (en) | 2014-03-11 | 2018-02-13 | Amazon Technologies, Inc. | Real-time exploration of video content |
| US9894405B2 (en) | 2014-03-11 | 2018-02-13 | Amazon Technologies, Inc. | Object discovery and exploration in video content |
| US10375434B2 (en) | 2014-03-11 | 2019-08-06 | Amazon Technologies, Inc. | Real-time rendering of targeted video content |
| US9747727B2 (en) | 2014-03-11 | 2017-08-29 | Amazon Technologies, Inc. | Object customization and accessorization in video content |
| US10939175B2 (en) | 2014-03-11 | 2021-03-02 | Amazon Technologies, Inc. | Generating new video content from pre-recorded video |
| US9697843B2 (en) * | 2014-04-30 | 2017-07-04 | Qualcomm Incorporated | High band excitation signal generation |
| US10092833B2 (en) | 2014-06-27 | 2018-10-09 | Amazon Technologies, Inc. | Game session sharing |
| US9409083B2 (en) | 2014-06-27 | 2016-08-09 | Amazon Technologies, Inc. | Spawning new timelines during game session replay |
| US9393486B2 (en) | 2014-06-27 | 2016-07-19 | Amazon Technologies, Inc. | Character simulation and playback notification in game session replay |
| WO2016047494A1 (ja) * | 2014-09-22 | 2016-03-31 | 株式会社 東芝 | 生体情報測定装置及びシステム |
| US9667786B1 (en) | 2014-10-07 | 2017-05-30 | Ipsoft, Inc. | Distributed coordinated system and process which transforms data into useful information to help a user with resolving issues |
| WO2016057781A1 (en) | 2014-10-08 | 2016-04-14 | The University Of Florida Research Foundation, Inc. | Method and apparatus for non-contact fast vital sign acquisition based on radar signal |
| US9269374B1 (en) * | 2014-10-27 | 2016-02-23 | Mattersight Corporation | Predictive video analytics system and methods |
| US9585616B2 (en) | 2014-11-17 | 2017-03-07 | Elwha Llc | Determining treatment compliance using speech patterns passively captured from a patient environment |
| US10430557B2 (en) | 2014-11-17 | 2019-10-01 | Elwha Llc | Monitoring treatment compliance using patient activity patterns |
| US9589107B2 (en) | 2014-11-17 | 2017-03-07 | Elwha Llc | Monitoring treatment compliance using speech patterns passively captured from a patient environment |
| US9786299B2 (en) | 2014-12-04 | 2017-10-10 | Microsoft Technology Licensing, Llc | Emotion type classification for interactive dialog system |
| US9833200B2 (en) | 2015-05-14 | 2017-12-05 | University Of Florida Research Foundation, Inc. | Low IF architectures for noncontact vital sign detection |
| US10300394B1 (en) | 2015-06-05 | 2019-05-28 | Amazon Technologies, Inc. | Spectator audio analysis in online gaming environments |
| US10293260B1 (en) | 2015-06-05 | 2019-05-21 | Amazon Technologies, Inc. | Player audio analysis in online gaming environments |
| CN104851422A (zh) * | 2015-06-09 | 2015-08-19 | 张维秀 | 一种语音信号处理方法及系统 |
| US10970843B1 (en) | 2015-06-24 | 2021-04-06 | Amazon Technologies, Inc. | Generating interactive content using a media universe database |
| US10864447B1 (en) | 2015-06-29 | 2020-12-15 | Amazon Technologies, Inc. | Highlight presentation interface in a game spectating system |
| US10363488B1 (en) | 2015-06-29 | 2019-07-30 | Amazon Technologies, Inc. | Determining highlights in a game spectating system |
| US10390064B2 (en) | 2015-06-30 | 2019-08-20 | Amazon Technologies, Inc. | Participant rewards in a spectating system |
| US10484439B2 (en) | 2015-06-30 | 2019-11-19 | Amazon Technologies, Inc. | Spectating data service for a spectating system |
| US10345897B2 (en) | 2015-06-30 | 2019-07-09 | Amazon Technologies, Inc. | Spectator interactions with games in a specatating system |
| US10376795B2 (en) | 2015-06-30 | 2019-08-13 | Amazon Technologies, Inc. | Game effects from spectating community inputs |
| US10632372B2 (en) | 2015-06-30 | 2020-04-28 | Amazon Technologies, Inc. | Game content interface in a spectating system |
| US11071919B2 (en) | 2015-06-30 | 2021-07-27 | Amazon Technologies, Inc. | Joining games from a spectating system |
| KR102437689B1 (ko) | 2015-09-16 | 2022-08-30 | 삼성전자주식회사 | 음성 인식 서버 및 그 제어 방법 |
| CN105575404A (zh) * | 2016-01-25 | 2016-05-11 | 薛明博 | 一种基于语音识别的心理检测方法及系统 |
| JP6726388B2 (ja) * | 2016-03-16 | 2020-07-22 | 富士ゼロックス株式会社 | ロボット制御システム |
| US10244113B2 (en) * | 2016-04-26 | 2019-03-26 | Fmr Llc | Determining customer service quality through digitized voice characteristic measurement and filtering |
| US10176793B2 (en) * | 2017-02-14 | 2019-01-08 | Mediatek Inc. | Method, active noise control circuit, and portable electronic device for adaptively performing active noise control operation upon target zone |
| CN108806667B (zh) * | 2018-05-29 | 2020-04-17 | 重庆大学 | 基于神经网络的语音与情绪的同步识别方法 |
| CN110826358B (zh) * | 2018-08-08 | 2022-12-06 | 杭州海康威视数字技术股份有限公司 | 动物情绪的识别方法、装置及存储介质 |
| TWI704555B (zh) * | 2018-11-27 | 2020-09-11 | 誠屏科技股份有限公司 | 情緒辨識裝置與方法 |
| CN111179965A (zh) * | 2020-03-20 | 2020-05-19 | 万不知 | 一种宠物情绪识别方法及系统 |
| CN112220479A (zh) * | 2020-09-04 | 2021-01-15 | 陈婉婷 | 基于遗传算法的被审讯单体情绪判断方法、装置和设备 |
| CN112837702A (zh) * | 2020-12-31 | 2021-05-25 | 萨孚凯信息系统(无锡)有限公司 | 一种语音情绪分布式系统及语音信号处理方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3855416A (en) * | 1972-12-01 | 1974-12-17 | F Fuller | Method and apparatus for phonation analysis leading to valid truth/lie decisions by fundamental speech-energy weighted vibratto component assessment |
| US4093821A (en) * | 1977-06-14 | 1978-06-06 | John Decatur Williamson | Speech analyzer for analyzing pitch or frequency perturbations in individual speech pattern to determine the emotional state of the person |
| EP0029048B1 (en) * | 1979-05-28 | 1985-05-29 | The University Of Melbourne | Speech processor |
| US4532930A (en) * | 1983-04-11 | 1985-08-06 | Commonwealth Of Australia, Dept. Of Science & Technology | Cochlear implant system for an auditory prosthesis |
| US5918222A (en) * | 1995-03-17 | 1999-06-29 | Kabushiki Kaisha Toshiba | Information disclosing apparatus and multi-modal information input/output system |
| US6109923A (en) * | 1995-05-24 | 2000-08-29 | Syracuase Language Systems | Method and apparatus for teaching prosodic features of speech |
| US6577998B1 (en) * | 1998-09-01 | 2003-06-10 | Image Link Co., Ltd | Systems and methods for communicating through computer animated images |
| US6006188A (en) * | 1997-03-19 | 1999-12-21 | Dendrite, Inc. | Speech signal processing for determining psychological or physiological characteristics using a knowledge base |
| KR100291584B1 (ko) * | 1997-12-12 | 2001-06-01 | 이봉훈 | 피치 구간별 fo/f1률의 유사성에 의한 음성파형 압축방법 |
| US7590538B2 (en) * | 1999-08-31 | 2009-09-15 | Accenture Llp | Voice recognition system for navigating on the internet |
| US6697457B2 (en) * | 1999-08-31 | 2004-02-24 | Accenture Llp | Voice messaging system that organizes voice messages based on detected emotion |
| US6275806B1 (en) * | 1999-08-31 | 2001-08-14 | Andersen Consulting, Llp | System method and article of manufacture for detecting emotion in voice signals by utilizing statistics for voice signal parameters |
| JP2001154681A (ja) * | 1999-11-30 | 2001-06-08 | Sony Corp | 音声処理装置および音声処理方法、並びに記録媒体 |
-
2001
- 2001-07-13 EP EP01401879A patent/EP1256937B1/en not_active Expired - Lifetime
-
2002
- 2002-07-12 US US10/194,848 patent/US7451079B2/en not_active Expired - Fee Related
- 2002-07-15 JP JP2002206011A patent/JP4458321B2/ja not_active Expired - Fee Related
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4641389B2 (ja) * | 2004-06-03 | 2011-03-02 | キヤノン株式会社 | 情報処理方法、情報処理装置 |
| JP2005346471A (ja) * | 2004-06-03 | 2005-12-15 | Canon Inc | 情報処理方法、情報処理装置 |
| US8204747B2 (en) | 2006-06-23 | 2012-06-19 | Panasonic Corporation | Emotion recognition apparatus |
| WO2008032787A1 (fr) * | 2006-09-13 | 2008-03-20 | Nippon Telegraph And Telephone Corporation | ProcÉDÉ de dÉtection de sensations, dispositif de dÉtection de sensations, programme de dÉtection de sensations contenant le procÉDÉ, et support d'enregistrement contenant le programme |
| US8386257B2 (en) | 2006-09-13 | 2013-02-26 | Nippon Telegraph And Telephone Corporation | Emotion detecting method, emotion detecting apparatus, emotion detecting program that implements the same method, and storage medium that stores the same program |
| KR101560833B1 (ko) * | 2009-01-30 | 2015-10-15 | 삼성전자주식회사 | 음성 신호를 이용한 감정 인식 장치 및 방법 |
| KR101560834B1 (ko) * | 2009-02-18 | 2015-10-15 | 삼성전자주식회사 | 음성 신호를 이용한 감정 인식 장치 및 방법 |
| US9099088B2 (en) | 2010-04-22 | 2015-08-04 | Fujitsu Limited | Utterance state detection device and utterance state detection method |
| JP2012168296A (ja) * | 2011-02-10 | 2012-09-06 | Fujitsu Ltd | 音声による抑圧状態検出装置およびプログラム |
| US8935168B2 (en) | 2011-02-10 | 2015-01-13 | Fujitsu Limited | State detecting device and storage medium storing a state detecting program |
| CN102779510A (zh) * | 2012-07-19 | 2012-11-14 | 东南大学 | 基于特征空间自适应投影的语音情感识别方法 |
| CN103971673A (zh) * | 2013-02-05 | 2014-08-06 | 财团法人交大思源基金会 | 韵律结构分析装置与语音合成的装置及方法 |
| CN103531198A (zh) * | 2013-11-01 | 2014-01-22 | 东南大学 | 一种基于伪说话人聚类的语音情感特征规整化方法 |
| CN103531198B (zh) * | 2013-11-01 | 2016-03-23 | 东南大学 | 一种基于伪说话人聚类的语音情感特征规整化方法 |
| JP2020008730A (ja) * | 2018-07-09 | 2020-01-16 | 富士ゼロックス株式会社 | 感情推定システムおよびプログラム |
| CN110706689A (zh) * | 2018-07-09 | 2020-01-17 | 富士施乐株式会社 | 感情推测系统以及计算机可读介质 |
| US11355140B2 (en) | 2018-07-09 | 2022-06-07 | Fujifilm Business Innovation Corp. | Emotion estimation system and non-transitory computer readable medium |
| JP7159655B2 (ja) | 2018-07-09 | 2022-10-25 | 富士フイルムビジネスイノベーション株式会社 | 感情推定システムおよびプログラム |
| WO2020071015A1 (ja) * | 2018-10-02 | 2020-04-09 | パナソニックＩｐマネジメント株式会社 | 音データ学習システム、音データ学習方法および音データ学習装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4458321B2 (ja) | 2010-04-28 |
| EP1256937A3 (en) | 2004-09-29 |
| EP1256937B1 (en) | 2006-11-02 |
| EP1256937A2 (en) | 2002-11-13 |
| US20030055654A1 (en) | 2003-03-20 |
| US7451079B2 (en) | 2008-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4458321B2 (ja) | 感情認識方法および感情認識装置 | |
| Pierre-Yves | The production and recognition of emotions in speech: features and algorithms | |
| US20220148566A1 (en) | Text-to-Speech Adapted by Machine Learning | |
| EP0974141B1 (en) | Extensible speech recognition system that provides a user with audio feedback | |
| US7720683B1 (en) | Method and apparatus of specifying and performing speech recognition operations | |
| US20030093280A1 (en) | Method and apparatus for synthesising an emotion conveyed on a sound | |
| DE60124225T2 (de) | Verfahren und Vorrichtung zur Erkennung von Emotionen | |
| US20100036660A1 (en) | Emotion Detection Device and Method for Use in Distributed Systems | |
| CN106688034A (zh) | 具有情感内容的文字至语音转换 | |
| CA2432324A1 (en) | Apparatus for determining dog's emotions by vocal analysis of barking sounds and method for the same | |
| Gudmalwar et al. | Improving the performance of the speaker emotion recognition based on low dimension prosody features vector | |
| Oudeyer | Novel useful features and algorithms for the recognition of emotions in human speech | |
| Shome et al. | Speaker Recognition through Deep Learning Techniques: A Comprehensive Review and Research Challenges | |
| Joo et al. | Effective emotion transplantation in an end-to-end text-to-speech system | |
| JP2003515768A (ja) | 特定の人間の音声をテンプレート化するためのシステムおよび方法 | |
| US20040181407A1 (en) | Method and system for creating speech vocabularies in an automated manner | |
| US11250852B2 (en) | Generation of trigger recognition models for robot | |
| CN117219046A (zh) | 一种交互语音情感控制方法及系统 | |
| KR102599480B1 (ko) | 키워드 음성인식을 위한 자동 학습 시스템 및 방법 | |
| KR102277205B1 (ko) | 오디오 변환 장치 및 방법 | |
| Meddeb et al. | Intelligent remote control for TV program based on emotion in Arabic speech | |
| EP1256932B1 (en) | Method and apparatus for synthesising an emotion conveyed on a sound | |
| JP2001188788A (ja) | 会話処理装置および方法、並びに記録媒体 | |
| Dwivedi et al. | Analysing the Impact of LSTM and MFCC on Speech Emotion Recognition Accuracy | |
| JPH02304493A (ja) | 音声合成システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050708 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20060331 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20060412 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20081202 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20090226 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20090303 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090402 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090507 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090804 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090908 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091208 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100105 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100203 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130219 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |