聴覚フィルタバンクを用いた声道長比推定(分析,認識,理解,対話,一般)

概要

論文の詳細を見る
音声認識や,高品質な音声モーフィングなどの音声アプリケーションには声道長正規化(VTLN)は重要な技術となっている.しかし,声道長を個人差が大きい音声から正確に推定することはけして容易ではない.これは,音声の母音のスペクトル形状が,声道長ばかりでなく,声道音源波形や梨状窩による零などの影響により個人毎に大きく異なっているためである.本研究では,聴覚フィルタバンクを用いて.声道長の推定精度を改善する手法を提案する.2話者の音声の間のスペクトル距離が最小となるスペクトル伸縮度合を声道長比とし,28名分の音声(全順列_<28>P_<27>=756通り)について計算を行い,その結果から回帰分析によって推定誤差を統計的に求めた.また,スペクトル表現による違いを比較するために,音声認識に従来から用いられているMFCCの計算に用いられるメル周波数フィルタバンク(MFFB),代表的な聴覚モデルであるガンマトーンフィルタバンク(GTFB),ガンマチャープフィルタバンク(GCFB)を対象とした.この結果,GCFBを用いた場合に,他の手法よりも声道長比推定の精度が良くなることがわかった.
2011-07-14