研究内容

徳田・南角・橋本研究室では，人とコンピュータ，コンピュータとコンピュータとのコミュニケーションを目指して，マルチモーダル情報空間におけるヒューマンインターフェースに関する研究を行っています．
主に音声や画像を扱っており，研究テーマによって大きく４つのグループに分けられます．

音声合成

人間の音声を人工的に作り出す技術です．
Speech SynthesizerやText to Speech Systemなどとも呼ばれ，以下のような用途で運用されています．

• 駅の音声案内
• カーナビゲーションシステムの音声案内
• 携帯電話のニュース読み上げ機能
• しゃべるぬいぐるみ

音声認識

人間の話す音声をコンピュータによって解析し，話している内容を文字データとして取り出す技術です．
キーボードに代わるインターフェースとして注目を集めており，以下のような用途で運用されています．

• 同時通訳型の機械翻訳
• 会議の議事録作成
• カーナビゲーションシステムの音声操作
• 指示を聞き分けるペットロボット

音声対話・音声言語理解

音声における人とコンピュータのコミュニケーションを目指しています．
先にあげた音声合成，音声認識の技術をフル活用し，以下のような用途で運用されています．

• バス運行情報案内システム
• 観光案内システム
• チケット購入システム

画像処理

コンピュータの取り込んだ動画像，静止画像から情報を抜き出したり，新たに画像を生成したりする技術です．
以下のような用途で運用されています．

• 顔画像照合セキュリティ
• 手話動画像生成
• 読唇術システム

最近の研究

階層構造を持った変分オートエンコーダに基づく表現豊かな音声合成

音声合成において，変分オートエンコーダを用いることで，「嬉しい」「悲しみ」「怒り」といった感情表現や，語尾の上げ下げといった発話スタイルの変化を，潜在変数として表現・制御することができます．本研究では，これらの潜在変数を，発話内容や言語的な階層構造を考慮して取り扱うことで，潜在変数のより適切なモデル化が可能となり，これまで以上に表現豊かな音声の合成を実現しました．