17日前
テキスト、オーディオ、話者アイデンティティの3モーダルなコンテキストからのスピーチジェスチャー生成
Youngwoo Yoon, Bok Cha, Joo-Haeng Lee, Minsu Jang, Jaeyeon Lee, Jaehong Kim, Geehyuk Lee

要約
人間らしいエージェント、特にバーチャルアバターおよびソーシャルロボットにおいて、会話中に適切なジェスチャーを取ることは、人間とエージェントの相互作用において極めて重要である。共話ジェスチャーは相互作用体験を向上させ、エージェントに生命感を与える。しかし、人々がどのようにジェスチャーを行うかという理解が不足しているため、人間らしいジェスチャーの生成は困難である。データ駆動型アプローチは、人間のジェスチャー例からジェスチャー習得能力を学ぼうとするが、ジェスチャーの曖昧さと個人差が学習を妨げている。本論文では、音声テキスト、音声、発話者アイデンティティというマルチモーダルな文脈を活用し、信頼性の高いジェスチャーを自動生成するモデルを提案する。マルチモーダルな文脈と敵対的学習スキームを組み合わせることで、本モデルは会話の内容およびリズムと整合性のある人間らしいジェスチャーを出力する。さらに、ジェスチャー生成モデルのための新しい定量評価指標を導入した。導入した指標と主観的な人間評価を用いた実験により、本モデルが既存のエンドツーエンド生成モデルよりも優れていることが示された。また、制約された文脈下において合成音声を用いても本モデルが有効に動作することを確認し、さまざまな発話者映像から学習されたスタイル埋め込み空間において、異なる発話者アイデンティティを指定することで、同一の発話に対しても異なるジェスチャースタイルを生成できることを示した。本研究で用いたすべてのコードおよびデータは、https://github.com/ai4r/Gesture-Generation-from-Trimodal-Context で公開されている。