音声処理と認識
小野原彩香 ／ 北星学園大学
Zoom録画を後日公開します。課題はメール/Google Driveでも提出可。
この回は発表セッションが含まれます。 口頭発表が困難な場合は、以下の代替形式を認めています： 事前録画動画の再生 スライド＋テキストチャットでの説明 書面レポートのみでの代替 不安な場合はメールで小野原まで相談してください。
この回は発表セッションが含まれます。 口頭発表が困難な場合は、以下の代替形式を認めています：
不安な場合はメールで小野原まで相談してください。
口頭発表2件を、それぞれ20分＋質疑5分で扱う場合の例です。
口頭発表の規定は20〜25分＋質疑5分。人数・形式・必要時間に合わせ、担当者が進行・視聴方法を事前に案内します。
発話・聴覚の知見を参照し、音声をデジタル信号として測定・表現する。
モデルが何を入力し何を予測するか、どのデータと条件で学習・評価したかを結びつける。
文字列の正確さ、意味理解、話者照合は別の課題として測定する。
利用場面、言語発達・知覚、神経多様性、音声生成・偽造検出、バイアスと規制を接続する。
TTS・声質変換は、主に第13回で扱った関連技術。第8・9回の主題はASRと評価です。
認識・生成・対話、個人・社会、性能・倫理は同じシステムを考える複数の観点です。対立する一つの軸に限りません。
技術的な問い
社会的な問い
個人的な問い
期末プロジェクトでは、これらの問いのどれかに対するあなた自身の答えを示してください。
全形式でレポート本文を提出します。発表時のスライド、実験時のコード・データ等は説明書の条件を確認。
成績評価：期末プロジェクト70%・小課題と演習30%。締め切り・提出先は担当者が案内します。
自分で収録、または適切な同意・利用条件を確認した音声を分析します。
分量の目安：レポート4,000〜6,000字、発表スライド10〜15枚。コードとグラフを添える。
言語・方言・話者・音声品質など、最低2条件を設定し、正解テキストと比較します。
WERの百分率表示（参照文が1語以上の場合）
S：単語の置換、D：削除、I：挿入、N：参照文の単語数。CERは文字単位。
分量の目安：提案書5,000〜8,000字、発表スライド12〜18枚。プログラミングは任意。
分量の目安：レポート5,000〜8,000字、発表スライド12〜18枚。ASVspoofは版・タスク・指標も明記。
音声処理・音声認識に関連するテーマを自由に設定して報告する。
自由テーマの条件
アイデア例
この100点を科目全体の70%として扱い、小課題・演習30%と合わせます。発表形式による基準の差はありません。
出典と独自の貢献：他者の成果を自己のものとして提出する剽窃は、説明書の規定に従い0点となります。出典・利用条件と自分の分析を区別してください。
どの形式でも評価基準は同一で、レポート本文は提出します。
形式の選択理由を説明する必要はありません。希望は1週間前までに連絡し、当日の変更も可能です。
担当者のまとめのフィードバックは全体質疑などで行います。冒頭の90分の例は、20分発表＋5分質疑を2件扱う場合です。
音声処理・音声認識は「面白い技術」であると同時に、「社会と深く結びついた技術」です。 どんな素晴らしい技術も、それが誰かを傷つけたり、不平等を拡大したりするために使われるなら、技術者はそのことを考え続ける責任があります。 反対に、技術は誰かの声を届け、誰かのアクセシビリティを高め、誰かの生活を豊かにすることができます。 この授業がその両方を考え続けるための出発点になれば、担当者としてとても嬉しいです。
音声処理・音声認識は「面白い技術」であると同時に、「社会と深く結びついた技術」です。
どんな素晴らしい技術も、それが誰かを傷つけたり、不平等を拡大したりするために使われるなら、技術者はそのことを考え続ける責任があります。
反対に、技術は誰かの声を届け、誰かのアクセシビリティを高め、誰かの生活を豊かにすることができます。
この授業がその両方を考え続けるための出発点になれば、担当者としてとても嬉しいです。
具体的な利用条件と測定結果を示し、説明できる範囲と限界を明確にします。
匿名・任意のアンケートです。成績評価には用いません。
回答先は担当者が別途案内します。
提出期限・提出先は担当者が別途案内します。提出方法や事情の相談は、メール等で連絡してください。
期末プロジェクト説明書の最終確認をお願いします。
ありがとうございました。
第1回の応用紹介、第2回の発話・聴覚、第3回のデジタル化、第4〜6回の可視化・特徴量へつながる。MFCCは第5回。
第7回は統計モデルと自己教師あり学習、第8回は大規模ASR、第9回はシステムの構成と評価。講義の実際の順序に沿って振り返る。