Sign In
Core Concepts
본 연구는 성전환자의 음성 전환 과정을 평가하기 위한 연속적인 음성 여성성 비율(Voice Femininity Percentage, VFP) 예측 시스템을 제안한다.
Abstract
이 연구는 성전환자의 음성 전환 과정을 평가하기 위한 연속적인 음성 여성성 비율(VFP) 예측 시스템을 제안한다. 41명의 프랑스어 화자(여성 시스젠더 12명, 남성 시스젠더 8명, 여성 성전환자 21명)의 음성 데이터를 수집하고 57명의 참여자를 통해 음성 성별 지각 평가를 수행했다. 이를 바탕으로 이진 성별 분류 모델을 학습하고 이를 보정하여 VFP를 예측하는 시스템을 구축했다.
시스젠더 화자의 경우 F0와 성도 길이 기반 모델이 높은 정확도(R2 = 0.94)를 보였지만, 성전환자 음성에 대해서는 성능이 낮았다(R2 = 0.53). 반면 제안한 X-vector 기반 모델은 시스젠더(R2 > 0.99) 및 성전환자(R2 = 0.94) 음성에 대해 우수한 VFP 예측 성능을 보였다. 이는 F0와 성도 길이 외에 음성의 복잡한 특성을 고려할 필요가 있음을 보여준다. 또한 화자의 연령에 따른 성별 분류 정확도 편향이 관찰되어, 다양한 특성의 화자에 대한 모델 적합이 중요함을 시사한다.
Customize Summary
Rewrite with AI
Generate Citations
Translate Source
To Another Language
Generate MindMap
from source content
Visit Source
arxiv.org
Voice Passing : a Non-Binary Voice Gender Prediction System for evaluating Transgender voice transition
Stats
시스젠더 여성 화자의 음성은 99.6%가 여성으로 인식되었고, 시스젠더 남성 화자의 음성은 99.8%가 남성으로 인식되었다.
성전환자 화자의 음성은 47.6%가 여성으로, 47.4%가 남성으로 인식되었다.
성전환자 화자의 음성에 대한 반응 시간은 시스젠더 화자에 비해 약 2배 더 길었다.
Quotes
"본 연구는 성전환자의 음성 전환 과정을 평가하기 위한 연속적인 음성 여성성 비율(Voice Femininity Percentage, VFP) 예측 시스템을 제안한다."
"F0와 성도 길이 외에 음성의 복잡한 특성을 고려할 필요가 있음을 보여준다."
"화자의 연령에 따른 성별 분류 정확도 편향이 관찰되어, 다양한 특성의 화자에 대한 모델 적합이 중요함을 시사한다."
Deeper Inquiries
성전환자의 음성 전환 과정에서 음성 이외의 다른 요소(예: 언어, 행동 등)가 성별 지각에 미치는 영향은 어떠할까?
성별 지각은 음성 뿐만 아니라 언어, 행동, 외모 등 다양한 요소에 영향을 받습니다. 성전환자의 경우, 음성 전환 과정에서 언어 선택, 억양, 어휘 사용, 자세 등이 성별 지각에 중요한 역할을 할 수 있습니다. 예를 들어, 특정 언어체의 사용이 특정 성별과 연관되어 있거나, 특정 행동 양식이 특정 성별로 인식되는 경우가 있을 수 있습니다. 따라서 음성 외의 다른 특성들을 고려하여 성별 지각 모델을 구축하는 것이 중요합니다.
성전환자의 음성 전환 과정에서 개인의 선호도와 사회적 규범 사이의 갈등은 어떻게 해결될 수 있을까?
개인의 선호도와 사회적 규범 사이의 갈등은 성전환자에게 중요한 문제입니다. 음성 전환 과정에서 성별 지각을 고려할 때, 개인이 원하는 성별 지각과 사회적으로 수용되는 성별 지각 간의 괴리가 발생할 수 있습니다. 이를 해결하기 위해서는 개인의 선호도를 존중하면서도 사회적으로 수용 가능한 성별 지각을 얻을 수 있는 방법을 모색해야 합니다. 음성 전환 과정에서 개인 맞춤형 접근과 사회적 수용을 조화시키는 프로그램 및 서비스를 제공하여 이러한 갈등을 해소할 수 있습니다.
성전환자의 음성 전환 과정에서 음성 이외의 다른 생체 신호(예: 안면 표정, 몸짓 등)를 활용한 성별 지각 모델은 어떻게 구축할 수 있을까?
음성 이외의 다른 생체 신호를 활용한 성별 지각 모델을 구축하기 위해서는 다양한 생체 신호를 수집하고 분석해야 합니다. 안면 표정, 몸짓, 신체 언어 등의 다양한 신호를 적절히 측정하고 이를 기반으로 성별 지각을 예측하는 모델을 개발해야 합니다. 이를 위해 기계 학습 알고리즘을 활용하여 다양한 생체 신호를 입력으로 사용하고 성별 지각을 예측하는 모델을 훈련할 수 있습니다. 이러한 방법을 통해 음성 이외의 다른 생체 신호를 활용한 성별 지각 모델을 효과적으로 구축할 수 있습니다.
0
