情報処理学会 第77回全国大会講演要旨

本稿では、ビデオ通話において話者（元話者）の音声や顔画像の個人性を別の話者（目標話者）のものに変換する手法を提案する。提案法では、あらかじめ元話者と目標話者のビデオ通話を学習データとして用意し、これから音声特徴量と顔画像特徴量を抽出する。この際、顔画像特徴量は元のピクセルデータに対し主成分分析をして次元圧縮をしたものを使用する。これらの特徴量を用いてニューラルネットワークを学習し、変換時にはこのネットワークを用いて入力特徴量の変換を行う。評価実験により特徴量の適切な次元数や学習データ量の影響を調べ、個人性が適切に変換されていることを示す。