音響モデルを利用したシングルチャネルに よる音源方向推定 06/12/15 電子情報通信学会 応用音響研究会 住田 雄司，滝口哲也，有木康雄（神戸大） 発表の流れ 研究背景 従来手法 単一マイクロホンによる音源方向推定 評価実験 マイクロホンアレーによる音源方向推定 従来手法の問題点 提案手法 音源方向推定の目的 提案手法による評価実験と考察 まとめ，今後の課題 研究背景 音源方向推定の目的 指向性マイクロホンを用いた目的音の強調 話者方向の推定 発話者方向にマイクロホンの指向性を形成 ノイズ方向にマイクロホンの死角を形成 ロボットの対話 会議システム 環境の認識 音源の探査 移動物体の検出 さまざまな状況において，音源方向推定の技術が必要とされている！ 従来手法（1） 時間差の情報を用いた音源方向推定 例；2つのマイクロホンを用いて， θ方向からの信号を受信 M1 x1 (t ) d M2 x2 (t ) 12 Ex1 t x2 t G12 e jt d R G12 e jt d 12 : 相互相関関数 G12 : x1と x2のクロススペクトル R : 一般化相互相関関数 : 周波数重み 1 e.g. CSP G12 相関関数を最大にする時間差τとマイク間距離 d から，信号の到来方向θを求める． 従来手法（2） 強度差の情報を用いた音源方向推定 [1] 例；2つのマイクロホンを用いて， θ方向からの信号を受信 deg. M1 x1 (t ) d 5dB/div. 例；カージオイド指向性 M2 x2 (t ) 指向性マイクロホンを用いて，方向別の強度差から， 信号の到来方向θを求める． [1]羽入敏樹他, “複数の指向性マイクロホンの方向別感度差を 利用した音源探査,” 音講論, 3-9-3, pp.781-782, 2006-3 従来手法の問題点 複数のマイクロホンを用いてアレーを形成．これにより生じる到来信号の 時間差・強度差の情報により方向を推定していた． 複数のマイクロホンが 必要不可欠！ 単一マイクロホンで方向推定ができれば… コスト削減 マイクロホンの設置は容易 信号の同期を取らなくてもよいetc. 本研究では，単一マイクロホンに よる音源方向の推定を目指す！ ウェアラブルなどの超小型の世界，産業におけるコスト重視の 世界では，とりわけ単一マイクロホンであることが重要といえる． 提案手法の概要 どのようにして単一マイクロホンで音源方向を推定するのか？ 3 2 到来信号の時間差・強度差といった情報 は使えない！ 1 H2 H3 H1 H1 H3 H2 H1~3のモデル H1 ? H 2 ? H 3 ? arg maxPr(H | H ) 予め，方向ごとの音響伝達特性モデルを 作成しておく．入力音声があれば，そこから 音響伝達特性を推定し，各モデルと比較を 行う．最も尤度が大きかった方向を到来方 向として出力する． θ方向より到来する音声から，どのようにして音響伝達特性を推定するのか？ クリーン音声モデル（e.g. Gaussian Mixture Model） → 予め学習しておくことが可能 EMアルゴリズム（Expectation Maximization） を用いて，θ方向からの音響伝達特性を推定． 音響伝達特性の推定（1） Acoustical transfer function Clean speech S H Observed speech O 対象とする環境のモデル O(; t ) S (; t ) H () logO(; t ) log S (; t ) log H ( ) N S ; , Ocep i; t Scep i; t Hcep i; t OとSが分かれば，Hは推定可能 実際の場面では，クリーンな音声信号を観 測することはできない！ Sの代わりに，予め準備可能なクリーン音声 モデルを用いて，ケプストラム領域において 尤度最大基準に基づきOからHを分離する． 音響伝達特性の推定（2） 音響伝達特性の時系列データを，観測信号に対して， そのモデルの尤度が最大となるようにして求める． Hˆ arg max PrO S , H H D O Hˆ t ,i n , m ,i ˆ ) (n, m) t ,i Q(H, Η t 2 2 n,m,i i 1 t 1 n 1 m1 T t (n, m) N n ,m N S t ; μ n,m , n,m M m 1 N Hˆ t ,i M n,m N S t ; μ n ,m , n,m : モデルパラメータの集 合 : 分布の重み D : 次元数 T :フレーム数 M (n, m) n 1 m 1 [2] 2 t Ot ,i n ,m ,i 2 M M : 混合数 n , m ,i t (n, m) 2 n , m ,i n 1 m 1 N N : 状態数 [2]A.Sankar and C-H.Lee, “A maximum-likelihood approach to stochastic matching for robust speech recognition,” IEEE Trans. Speech and Audio Processing，vol.4, no.3, pp.190-202, 1996. 提案手法のフローチャート Train Test 各方向からの音声入力（数単語） ある方向から音声が到来 S S クリーン音声GMMを用いて， 尤度最大基準により音響伝達特性を推定 Hˆ 各方向における音響伝達特性GMMを構築 H Hˆ ・入力の音響伝達特性と，各方向における音響伝達特性GMMを比較． ˆ arg max P Hˆ ˆ H ・最も尤度が大きかった方向 を出力． 評価実験 実験環境 ドライソースにインパルス応答を畳み込んで実環境をシミュレーション 30deg.，90deg.，130deg. 3方向のうちの1方向より音声が到来する． 予め各方向のモデルを作成しておき，到来方向の判別を行う． パラメータ サンプリング周波数 12 [kHz] 窓関数 Hamming 窓の長さ 32 [ms] フレームシフト 8 [ms] 特徴量 MFCC（16次元） 音声データと音響モデル 話者 クリーン音声の音響モデル 音響伝達特性の音響モデル クリーン音声の学習データ 音響伝達特性の学習データ テストデータ 特定話者（男性1名） GMM（64混合） GMM（1，2，4混合） 2620単語 10単語 1000単語 実験室 * 音源とマイクロホンの 距離： 2 [m] 残響時間： 300 [ms] *http://tosa.mri.co.jp/sounddb/micarray/index.htm 実験結果（1） 方向別，混合数別の正解率 [%] 1 Mixture 2 Mixtures 4 Mixtures 30deg. 89.5 91.9 88.1 90deg. 18.0 58.9 67.0 130deg. 96.1 95.2 94.2 2方向（30deg.，90deg.）に限定した場合 1 Mixture 2 Mixtures 4 Mixtures 30deg. 100 100 100 90deg. 62.9 89.5 93.5 実験結果（2） 2方向における音響伝達特性の時間変化（音声:aisatsu） 発話区間は0.35 ～ 1.05 [sec] MFCC-2 MFCC-6 実験結果（3） それぞれの方向，混合数における識別率の比較 100 90 80 70 60 50 40 30 20 10 0 90deg.より音声到来 方向識別率[%] 方向識別率[%] 30deg.より音声到来 1mix 30° 2mix 90° 4mix 130° 100 90 80 70 60 50 40 30 20 10 0 130deg.より音声到来 方向識別率[%] 1mix 30° 2mix 90° 4mix 130° 100 90 80 70 60 50 40 30 20 10 0 1mix 30° 2mix 90° 4mix 130° 90deg.より音声が到来した場合に，130deg.と誤識別されることが多い！ 誤識別の原因の考察（1） 音響伝達特性モデルの比較 Cepstral coefficient (mean) 単一正規分布における，方向毎の平均と分散の比較 20 15 10 5 0 -5 -10 -15 -20 ・90deg.の平均値は他の2方向と -25 -30 比較して，特に異なっている． 30° 90° 130° ・ある次元においては，3方向の 1 3 5 7 9 11 13 15 平均値がほぼ等しく，別の次元では Cepstral order 全く違うといった状況が見受けられる． Cepstral coefficient (var) 300 250 200 150 100 50 ・低次元では90deg.の分散が大きく， 高次元では130deg.の分散が比較的 0 大きい． 1 3 5 7 9 11 13 15 → 90deg.における正解率の低さ， Cepstral order 130deg.への誤識別の多さの原因？ 30° 90° 130° 誤識別の原因の考察（2） 音響伝達特性モデルの比較 15 10 5 30° 90° 130° 0 -5 250 200 30° 90° 130° 150 100 15 13 11 9 7 5 3 1 15 13 11 9 7 5 -15 300 50 ・残響がない場合には，方向毎の平均と分散の違いが ほとんど見受けられない． 0 → 残響・反射といった要素が，方向毎の音響伝達特性を 特徴付けている？ Cepstral order Cepstral order 3 -10 1 Cepstral coefficient (mean) 単一正規分布における，方向毎の平均と分散の比較 残響なし Cepstral coefficient (var) まとめ 様々な状況において，音源方向推定技術は必要とされている． 到来信号の時間差，強度差などを用いた従来の推定方法では， 複数のマイクロホンという条件が必要不可欠だった． 単一マイクロホンによる音源方向推定法を提案 クリーン音声GMMとEMアルゴリズムを用いて，観測された音声から 音響伝達特性を推定 各方向の音響伝達特性モデルを作成 入力音声から音響伝達特性を推定し，これらのモデルと比較して， 最も尤度が大きかった方向を到来方向として出力する． 評価実験より，単一マイクロホンによる音源方向推定の可能性を提示 今後の課題 方向数の増加，角度幅の縮小 文章による学習・テスト 単語単位では短すぎて安定しないのではないか？ → モデルの分散増加 指向性マイクロホンの導入 現在はまだ3方向，角度の幅も40deg.，60deg.と開いている 無指向性マイクロホンと識別率を比較 識別方法の工夫 LDA，SVM，AdaBoostの導入etc. 正解率の向上 Thank you very much for your attention!! 補足資料 実験結果：補足（1） 各方向におけるインパルス応答の比較 残響時間 300 [ms] の場合 30deg. 90deg. 130deg. 実験結果：補足（2） 各方向におけるインパルス応答の比較 残響時間が無しの場合 30deg. 90deg. 130deg. マイクロホンアレー * 今回の実験では，20番のマイクロホンのインパルス応答を使用 *http://tosa.mri.co.jp/sounddb/micarray/index.htm 実験機材の詳細 * *http://tosa.mri.co.jp/soun ddb/micarray/index.htm 無響室 * *http://tosa.mri.co.jp/sounddb/micarray/index.htm インパルス応答の畳み込み ドライソース（本来発声した原音）にある部屋で測定したインパルス応答を畳み込むと， その部屋で発生したかのように再現することができる． h(t ) s (t ) M o(t ) s(t i)h(i) i 1 o(t ) M : インパルス応答長 このままだと計算量が膨大なので… O( f ) S ( f ) H ( f ) MFCC（Mel Frequency Cepstrum Coefficient） 音の高さに対する人間の感覚尺度 → メル尺度（Mel Scale） Mel ( f ) 2595 log10 (1 f ) 700 周波数の対数におおよそ対応 人間の周波数に対する音の高さの感覚 低周波数 → 細かい レ ベ ル 高周波数 → 粗い ・・・ m1 m2 各帯域フィルタの出力 m j と， 離散コサイン変換（DCT）を用い て，MFCC係数が計算される． ・・・ mj m j 1 mN メル周波数 2 N i cMFCC (i) m cos j 0 . 5 j N j 1 N EMアルゴリズム 観測データをxとすると，HMMにおける状態遷移のような直接観測できないデー タyが存在する場合に，xの尤度を最大にするようなモデルパラメータθを求めると きなどに用いる． max Pr( x | ) 実際には観測不可能なyが関係しているため，上式は容易には解けない． そこで，式で解けるように以下のようなQ関数を定義する． Q( ,ˆ) E log Pr(x, y | ˆ) | x, EMアルゴリズムのステップ 1. 2. 3. 4. パラメータ の初期値を設定 Q( ,ˆ) 関数の最大にするような ˆ を選択 を ˆ で更新 収束条件を満たしていれば終了．そうでなければ2に戻る． Template template
© Copyright 2024 ExpyDoc
