黒岩 眞吾

本論文では,パワーやスペクトル形状の変化の大きい風雑音を高精度で推定する手法を提案する.提案手法は,複数の参照用風雑音スペクトル包絡を用いフレームごとに風雑音のスペクトル包絡を推定するとともに,当該フレームから得られる観測信号の微細構造を用い風雑音スペクトルを推定し雑音除去を行う.提案手法の評価を行うため,扇風機により発生させた風雑音を用いたシミュレーション実験を実施した.客観評価実験としてセグメンタルSNR (SNRseg)による評価を行った結果,提案手法はスペクトルサブトラクション(SS)法よりも大幅なSNRSegの改善を達成した.また,CMOSによる主観評価実験を行った結果,客観評価と同様にSS法と比較して大幅な改善を達成し,提案手法の有効性が示された.また実験に用いたデータを調べた結果,提案手法を用いれば,推定スペクトルと実際の雑音スペクトル間のミスマッチを低減することができ,ミュージカルノイズと呼ばれる人工的な雑音の抑制にも有効であることが分かった.

雑音下の音声認識の性能向上は音声認識実用化のために急務である。これまでに数多くの研究が行われてきており、これらの手法を客観的に比較評価できる標準評価基盤の構築を目的として、2001年10月、情報処理学会音声言語情報処理研究科の下に雑音下音声認識評価ワーキンググループを組織した。本稿ではこれまでの標準評価基盤CENSRECシリーズを振り返り、今年度新たに配付したCENSREC-1-Cの概要と位置づけを述べる。さらに、今後どのような方針で新たな評価基盤を設計・構築・配付するのかについての考えを述べる。Performance improvement of noisy speech recognition is urgent for practical use of speech recognition. Many researchers have been tryin to overcome this problem. We organized a working group under Special Interest Group of Spoken Language Processing in Information Processing Society of Japan, to develop eveluation frameworks of noisy speech recognition to compare many methods for processing of noisy speech. In this paper, we first review the series of CENSREC (Corppus and Environment of Noisy Speech RECognition) and then introduce the CENSREC-1-C. the newest CENSREC. Finally we describe the road-maps of future CENSRECs.

雑音下の音声認識の性能向上は音声認識実用化のために急務である.これまでに数多くの研究が行われてきており,これらの手法を客観的に比較評価できる標準評価基盤の構築を目的として,2001年10月,情報処理学会告声言語情報処理研究会の下に雑音下音声認識評価ワーキンググループを組織した.本稿ではこれまでの標準評価基盤CENSRECシリーズを振り返り,今年度新たに配付したCENSREC-1-Cの概要と位置づけを述べる.さらに,今後どのような方針で新たな評価基盤を設計・構築・配付するのかについての考えを述べる.

雑音下の音声認識の性能向上は音声認識実用化のために急務である.これまでに数多くの研究が行われてきており,これらの手法を客観的に比較評価できる標準評価基盤の構築を目的として,2001年10月,情報処理学会告声言語情報処理研究会の下に雑音下音声認識評価ワーキンググループを組織した.本稿ではこれまでの標準評価基盤CENSRECシリーズを振り返り,今年度新たに配付したCENSREC-1-Cの概要と位置づけを述べる.さらに,今後どのような方針で新たな評価基盤を設計・構築・配付するのかについての考えを述べる.

雑音下における音声認識 音声強調 音声符号化などの音声処理で重要な役割を果たす音声区間検出(Voice Activity Detection;VAD)手法を評価するための基盤としてCENSREC-LCを構築した．これは，雑音下で発声された連続数字音声データとＶＡＤ結果の評価を行うツール群からなる．評価方法としては一般的なフレームベースの検出性能評価尺度と音声認識を指向した発話単位の評価尺度を定義した．そして，音声パワーに基づくベースライン手法による川の結果をこれら２つの評価尺度で評価した結果を示した．Voice activity detection (VAD) plays an important role in speech processing including speech recognition, speech enhancement, and speech coding under noisy environment. We developed a evaluation framework for VAD under noisy environments, named CENSREC-1-C. This framework consists of noisy continuous digit utterances and evaluation tools for VAD results. We defined two evaluation measures, one for frame-level detection performance and the other for utterance-level detection perfromance. We showed the evaluation results of a baseline power-based VAD method.

ハンズフリー電話,テレビ会議などの伝送遅延を伴う音声通信システムで使用される適応エコーキャンセラでは,主にNLMSアルゴリズムが用いられる.NLMSはエコー路のインパルス応答を推定し,推定したインパルス応答と入力信号を畳み込み演算するすることにより擬似エコーを生成する.これをエコーから差し引くことでエコーを消去することができる.しかし,ダブルトーク時ではインパルス応答の推定動作が不安定となり,エコー打消し特性が劣化する.この問題を解決するため,いくつかの可変ステップゲイン法が提案されている.本論文では,観測信号と残留エコー信号の相関を用いてステップゲインを制御するアルゴリズムを提案し,シミュレーション実験を通じ提案するアルゴリズムはエコー打消し特性向上を可能とすることを明らかにする.

ハンズフリー電話,テレビ会議などの伝送遅延を伴う音声通信システムで使用される適応エコーキャンセラでは,主にNLMSアルゴリズムが用いられる.NLMSはエコー路のインパルス応答を推定し,推定したインパルス応答と入力信号を畳み込み演算するすることにより擬似エコーを生成する.これをエコーから差し引くことでエコーを消去することができる.しかし,ダブルトーク時ではインパルス応答の推定動作が不安定となり,エコー打消し特性が劣化する.この問題を解決するため,いくつかの可変ステップゲイン法が提案されている.本論文では,観測信号と残留エコー信号の相関を用いてステップゲインを制御するアルゴリズムを提案し,シミュレーション実験を通じ提案するアルゴリズムはエコー打消し特性向上を可能とすることを明らかにする.

In this paper, we propose a distributed speaker recognition method using a nonparametric speaker model and Earth Mover's Distance (EMD). In distributed speaker recognition, the quantized feature vectors are sent to a server. The Gaussian mixture model (GMM), the traditional method used for speaker recognition, is trained using the maximum likelihood approach. However, it is difficult to fit continuous density functions to quantized data. To overcome this problem, the proposed method represents each speaker model with a speaker-dependent VQ code histogram designed by registered feature vectors and directly calculates the distance between the histograms of speaker models and testing quantized feature vectors. To measure the distance between each speaker model and testing data, we use EMD which can calculate the distance between histograms with different bins. We conducted text-independent speaker identification experiments using the proposed method. Compared to results using the traditional GMM, the proposed method yielded relative error reductions of 32% for quantized data.

In recent years, several methods on human emotion recognition have been published. In this paper, we proposed a scheme that applied the emotion classification technique for emotion recognition. The emotion classification model is Support Vector Machines (SVMs). The SVMs have become an increasingly popular tool for machine learning tasks involving classification, regression or novelty detection. The Emotion Recognition System will be recognise emotion from the sentence that was inputted from the keyboard. The training set and testing set were constructed to verify the effect of this model. Experiments showed that this method could achieve better results in practice. The result showed that this method has potential in the emotion recognition field.