本研究では、グループ会話における話者を正確に検出するためのアルゴリズムを開発しました。このアルゴリズムは、「顔特徴点追跡」技術と「口の開閉検知のディープラーニングモデル」の二つの主要部分から構成されています。

顔特徴点追跡技術は、カメラ映像内の顔を追跡し、その特徴点（例えば、目や鼻、口など）を同定する技術です。これにより、映像内で個々の人物がどのように動き、特に口元がどのように動くかを精確に追跡することが可能となります。

口の開閉検知のディープラーニングモデルは、顔特徴点追跡によって得られたデータを利用し、人物が話している（つまり、口を開閉している）瞬間を検出します。このモデルは大量のビデオデータを学習し、高い精度で口の動きから話者の存在を推定します。

• 会議記録・議事録の作成：会議中の発言者を自動的に特定し、その内容を記録することで、議事録の作成作業を効率化することができます。
• 映像コンテンツの自動字幕生成：映像内の話者を正確に検出することで、テレビ番組や映画、教育コンテンツなどの自動字幕生成が可能となります。
• ヘルスケア：高齢者や障害を持つ人々が複数人での会話に参加する際の支援など、ヘルスケア分野でも有用です。
• 法執行：警察や法廷での尋問や審問など、発言者の特定が重要な場合にも役立つ技術です。

このように、本技術は社会の多様な場面でのコミュニケーションを支援し、より正確で効率的な情報伝達を実現する可能性を秘めています。

話者を検知している様子