時期差に頑健な 話者認識に関する研究 A1グループ M1 福田 背景と目的 話者認識技術 – バンキングやショッピング、情報提供サービスに おける本人確認手段 – HMMやGMMなど、統計的にモデル化 – 時期的特徴変動による認識率低下 時期差のない特徴パラメータを学習 することにより、認識率低下を抑える 研究の概要 【仮定】 時期的特徴変動は、同方向に起こっている 1. 線形判別分析を用いて、時期差による変動 を差し引いた特徴量を得る 2. 得られた新しい特徴量を用いて各話者の GMMを学習 GMMを用いた話者識別 • GMM（Gaussian Mixture Model） – 音声から抽出した特徴を統計的にモデル化 話者Aの GMM 話者Bの 話者Zの ・・・ GMM GMM 入力音声 音響分析 類似度 比較 特徴ベクトル 識 別 結 果 線形判別分析（LDA） 手順① LDAにより軸 w を 求める 手順② 求まった軸 w を用い 特徴量の更新 更新式 (w x)w y x 2 |w| 話者識別実験 ① 予備実験 ② LDAを用いた話者識別実験 ③ セグメントを用いた話者識別実験 ④ 基本のパワーを軸算出に用いない実験 実験条件 • 学習及び評価データ – 男性２１名、約１９ヶ月にわたる７時期 – 学習：１９９０年８月の１０５文（=２１名×５文） – 評価：全時期の１４７０文（=２１名×１０文×７時 期） サンプリング間隔 １６ｋHz フレーム周期 １０ｍｓ フレーム長 ２５ｍｓ 窓タイプ ハミング窓 フィルタバンク数 ２４ エネルギー正規化 無し 予備実験（時期別比較実験） 評価時期 ９０年 ８月 ９０年 ９月 ９０年１２月 ９１年 ３月 ９１年 ６月 ９１年 ９月 ９２年 ３月 計 発話内容クローズ 発話内容オープン １００％（１０５/１０５） １００％（１０５/１０５） １００％（１０５/１０５） ９３％（ ９８/１０５） ９８％（１０３/１０５） ９５％（１００/１０５） ９９％（１０４/１０５） ９８％（１０３/１０５） ９９％（１０４/１０５） ９８％（１０３/１０５） １００％（１０５/１０５） ９９％（１０４/１０５） ９９％（１０４/１０５） ９５％（１００/１０５） ９９.２％（６２５/６３０） ９６.５％（６０８/６３０） LDAを用いた話者識別実験① • LDAにより軸を求め、それに直交する軸で更新 した特徴量を学習し、話者識別実験を行った • 線形判別分析により求める軸 – 発話者：ｍｈａｙ – 発話時期：９０年８月、１２月 – 発話内容：「銀鮭の卵を輸入して孵化させ 海中で育てる養殖も始まっている」 LDAを用いた話者識別実験② 評価時期 ９０年 ８月 ９０年 ９月 ９０年１２月 ９１年 ３月 ９１年 ６月 ９１年 ９月 ９２年 ３月 計 発話内容クローズ 発話内容オープン １００％（１０５/１０５） １００％（１０５/１０５） １００％（１０５/１０５） ９２％（ ９７/１０５） ９９％（１０４/１０５） ９７％（１０２/１０５） １００％（１０５/１０５） ９８％（１０３/１０５） １００％（１０５/１０５） ９９％（１０４/１０５） １００％（１０５/１０５） ９８％（１０３/１０５） ９８％（１０３/１０５） ９５％（１００/１０５） ９９.７％（６２７/６３０） ９６.７％（６０９/６３０） セグメントを用いた識別実験① • 時期差による変動をより顕著にとらえる 元の特徴量 ① ② ③ ④ ･･･ セグメント後 ① ② ③ ④ ･･･ ② ③ ④ ⑤ LDA後、上半分 ① ② ③ ④ ･･･ ② ③ ④ ⑤ • ２フレームでのセグメントを用いた時期別実験 • セグメント後にLDAによる軸適用実験 • セグメント、LDAの軸適用後、その特徴量の 次元数を元に戻した実験 – 使用した軸：LDAのみの時と同じ セグメントを用いた識別実験② 基本のパワーを用いない識別実験 まとめ • LDA、セグメントの識別実験を行った • 時期差をなくす提案手法の有効性を、時期的 特徴変動がよく現れている特徴量での検討 が十分ではない • 学習・評価データ数が少ない 今後の課題 • LDAにより求めた軸の分析 – 各次元の重みを考慮した実験 – 話者認識に有効な次元を求める • 学習時期を増やす – 時期差を含めた学習・認識→LDA実験との比較 • フレーム毎の尤度比較 – 話者認識に有効な音素の判別 付録：LDAにより求めた軸 時期性を表す軸 各次元の重み
© Copyright 2024 ExpyDoc
