要約
スピーチ感情認識（Speech Emotion Recognition, SER）は、人間とコンピュータの相互作用（Human-Computer Interaction, HCI）において極めて重要であり、状況に対する深い理解を可能にし、より優れた相互作用を実現する。近年、SER技術の向上を目指して、さまざまな機械学習および深層学習（Deep Learning, DL）アルゴリズムが開発されている。発話された感情の認識は、言語によって異なる表現様式に依存するため、言語特有の要因が認識精度に大きな影響を及ぼす。本研究では、ペルシャ語（ファルシー語）における重要な要因をさらに検討するため、2018年に公開されたペルシャ語感情発話データセット「Sharif Emotional Speech Database（ShEMO）」を用いて、多様な深層学習手法を検証した。低レベルおよび高レベルの信号特徴を活用し、異なる深層ニューラルネットワークおよび機械学習手法を組み合わせた結果、未加重正解率（Unweighted Accuracy, UA）65.20%、加重正解率（Weighted Accuracy, WA）78.29%の性能を達成した。