狭帯域包絡線間相関を用いた 話者識別における帯域と識別率の検討 小橋川美共，末廣一美，髙岡創，高山泰典（日本文理大学） 西村一行（千葉工業大学 ），福島学，岡本壽夫（日本文理大学） 柳川博文（千葉工業大学 ） 狭帯域包絡線間相関を用いた話者識別 e1 (t ) e(t ) e2 (t ) amp.(dB) c1 (t ) c(t ) c2 (t ) amp.(dB) amp.(dB) v(t ) e(t ) c (t ) 1 0.5 0 -0.5 -1 1 0.5 0 -0.5 -1 1 0.5 0 -0.5 -1 vb (t ) 20 40 60 80 100 120 cb (t ) 20 20 40 40 60 60 80 80 time (ms) 100 100 120 120 c c 0 1 2 eb (t ) e1e2 0 処理の流れ 1/4 Oct.分割した音声時間波形 vb (n) v(n) hb (n) b ： 39バンド（28.9Hz～20749Hz） ヒルベルト変換して求めた包絡線 eb (n) hilbert _ env(vb (n)) dB変換 d b (n) 20log10 (eb (n) / emax ) 狭帯域包絡線間相関係数 d b1 d b2 d N 1 1 d d b1 emax ： eb (n) の最大値 b2 n 0 b1 (n)d b2 (n) d b1 d b2 狭帯域包絡線間相関係数行列 1,1 1, 2 1,39 2,1 2, 2 2,39 39,1 39,39 帯域を制限 → 正解率の変化を調べる XA X A 識別候補： XA の最大値 max 正解率＝識別候補が本人となった回数/識別条件数 登録語と識別語の音素分布 Vowel a i u e o 11 11 33 68 11 0 11 11 0 1 10 8 0 0 22 11 8 3 10 5 77 0 0 11 8 22 10 12 22 31 11 11 0 27 0 11 0 0 8 0 9 9 22 0 0 19 35 2 11 0 0 11 11 11 20 0 11 8 11 0 0 11 11 11 0 19 21 0 0 9 0 11 14 26 0 11 15 10 0 3 22 0 1 17 27 11 0 11 0 3 0 8 0 9 0 2 V N’ n nymmys sh h hy f z j k ky t ts p pych g gy d dyb byry y r w Q－ Ｎ Fl Fv Sl Sv Consonant ＋：登録語（個数は上段の数） ×：識別語（個数は下段の数） Ca V：Vowel 母音 N：Nasal 鼻音 Fl：Fricative voiceless 摩擦音（無声） Fv：Fricative voiced 摩擦音（有声） Sl：Stop voiceless 閉鎖音（無声） Sv：Stop voiced 閉鎖音（有声） Ca：Central approximant 中央近接音 Q：Geminate consonant 促音 －：Long vowel 長音 分布に偏りがない 帯域増加と平均正解率 1 14 0.9 0.8 0.7 0.6 C 31 0.5 6 0.4 22 0.3 0.2 0.1 0 2 5 10 15 20 25 30 35 39 Last band number 重要帯域：帯域番号６～１４，２２～３１ 帯域減少と平均正解率 1 0.9 0.8 0.7 C 0.6 0.5 6 14 0.4 22 0.3 31 0.2 0.1 0 1 5 10 15 20 25 first band number 30 35 38 重要帯域：帯域番号６～１４，２２～３１ 全39帯域を使用した正解率の比較 100 90 80 70 % 60 50 40 30 20 10 0 平均正解率 fs 範囲 band 数 1-39 6-31 6-14 22-31 band number C fs 範囲 band数 88% 100% 100% 86% 25% 67% 83% 21% 49% The second formant F(kHz) 調査結果の検討（高い周波数範囲の検討） 帯域番号22～31（1091Hz～5187Hz） 4.0 3.8 3.4 3.0 /i/ 2.5 2.2 2.0 1.8 1.5 1.4 /e/ /a/ 第2フォルマント 周波数 1091Hz～4000Hz (帯域番号22～30) /u/ 1.0 0.8 0.6 0.2 /o/ 0.5 1.0 The first formant F(kHz) 1.4 調査結果の検討（高い周波数範囲の検討） 帯域番号22～31（1091Hz～5187Hz） 前頭洞 約8cm3 上顎洞 蝶形骨洞 副鼻腔共振周波数 3103～5398Hz (帯域番号28～31) 声帯音源基本周波数 成人男性：100～150Hz 成人女性：250～300Hz (帯域番号6～14) 副鼻腔共振周波数・声帯音源基本周波数 データによるばらつきの検討 1 Band No. 0.95 CA 88% 0.9 86% 0.85 83% ＋ 1-39 × 6-31 0.8 0.75 0.7 □ 6-14 0.65 22-31 0.6 0.55 0.5 All All A E K M N SA SB SC TA TB Y Talker 識別語に共通性 ne amplitude (dB) 0 to sa fi n' 161 ms -5 139 ms -10 -15 0 0.2 0.4 0.6 0.8 1 正解率が高い識別語(ネットサーフィン：上段) mi amplitude (dB) 0 to ko mo n' 95 ms -5 -10 -15 0 0.2 0.4 0.6 time (s ) 0.8 1 93 61 ms ms 正解率が低い識別語(水戸黄門：下段) 鼻音の継続時間 まとめ 声帯音源基本周波数 成人男性：100～150Hz 成人女性：250～300Hz 帯域番号6～14 → 声帯音源 第2フォルマント周波数 1091Hz～4000Hz 帯域番号22～30 → 第2フォルマント 副鼻腔共振周波数 前頭洞：3103～5398Hz 帯域番号28～31 → 副鼻腔形状 正解率のばらつきは継続時間に関連 1/4オクターブバンドの中心周波数 Band Center Freq. Band Center Freq. No. (Hz) No. (Hz) 1 28.9 21 917 2 34.4 22 1090.5 3 40.9 23 1296.8 4 48.6 24 1542.2 5 57.3 25 1834 6 68.1 26 2181 7 81 27 2593.7 8 96.3 28 3084.4 9 114.6 29 3668 10 136.3 30 4362 11 162.1 31 5187.4 12 192.7 32 6168.8 13 229.2 33 7336 14 272.6 34 8724.1 15 324.2 35 10375 16 385.5 36 12338 17 458.5 37 14672 18 545.2 38 17448 19 648.4 39 20749 20 771.1 1/4オクターブバンド狭帯域フィルタ 狭帯域フィルタ：FIRフィルタ 長さ：2048サンプル fs ：44100Hz 0 amplitude (dB) -5 周波数分解：21.5Hz フィルタ長：約46ms -10 -15 -20 音声の狭帯域包絡 線を100msで区切る -25 -30 -35 -40 2 10 3 10 Freq. (Hz) 4 10 ⇒声帯音源波 約4周期が対象 話者を識別するシステムに用いた登録語・識別語 識別語：登録語と異なる語 登録語 1）青い空 2）映画鑑賞 3）石田一成 4）マイホーム計画 5）無人島探索 （aoisora） （eigaka n‘shou） （ishida issei） （mai ho-mu keikaku） （muji n’tou tansaku） 1語/約1秒 1人/約5語 計55語（登録者全員共通） 1）松坂大輔 2）メール機能 3）目から鱗 4）水戸黄門 5）モーニング娘 6）中山きんにくん 7）ネットサーフィン 8）猫死んじゃった 9）猫踏んじゃった 10）日本沈没 11）忍たま乱太郎 12）ノストラダムス 13）のんびり屋 14）上田晋也 （matsuzaka daisuke） （me-ru kinou） （mekara uroko） （mito koumo n‘） （mo-ni n’gu musume） （nakayama kin‘niku n’） （netto sa-fi n‘） （neko shi n’jatta） （neko fu n‘jatta） （niho n’ chi n‘botsu） （ni n’tama ra n‘tarou） （nosutora damusu） （no n’biriya） （ueda shi n‘ya） 1語/約1秒 1人/約8語 計82語（登録者により異なる） 全39帯域を使用した正解率の比較 1 約2％ 0.95 約5％ C 0.9 0.85 0.8 88% 86% 0.75 0.7 83% 1-39 6-31 band number 6-14 22-31 データによるばらつきの検討 1 0.95 88% 0.9 86% 0.85 83% CA 0.8 0.75 0.7 Band No. ＋ 1-39 0.65 × 6-31 0.6 □ 6-14 22-31 0.55 0.5 All All A E K M N SA SB SC TA TB Y Talker 識別語に共通性 The second formant F(kHz) 4.0 3.8 3.4 3.0 /i/ 2.5 2.2 2.0 1.8 1.5 1.4 /e/ /a/ /u/ 1.0 0.8 0.6 0.2 /o/ 0.5 1.0 The first formant F(kHz) ne amplitude (dB) 0 to fi n' 161ms 139ms -5 -10 -15 0 0.2 0.4 mi 0 amplitude (dB) sa to 0.6 ko 0.8 mo 1 n' 95ms -5 -10 -15 0 0.2 0.4 0.6 time (s ) 0.8 1 93 61 ms ms 正解率が低い識別語(水戸黄門：下段) 鼻音の継続時間 登録語と識別語の音素分布 a Vowel i u e o 11 11 33 68 11 0 11 11 0 1 10 8 0 0 22 11 8 3 10 5 77 0 0 11 8 22 10 12 22 31 11 11 0 27 0 11 0 0 8 0 9 9 22 0 0 19 35 2 11 0 0 11 11 11 20 0 11 8 11 0 0 11 11 11 0 19 21 0 0 9 0 11 14 26 0 11 15 10 0 3 22 0 1 17 27 11 0 11 0 3 0 8 0 9 0 2 V N’ n nymmy s sh h hy f z j k ky t ts p pych g gy d dy b byry y r w Q － Ｎ Fl Fv Sl Consonant Sv ＋：登録語（個数は上段の数） ×：識別語（個数は下段の数） Ca V：Vowel 母音 N：Nasal 鼻音 Fl：Fricative voiceless 摩擦音（無声） Fv：Fricative voiced 摩擦音（有声） Sl：Stop voiceless 閉鎖音（無声） Sv：Stop voiced 閉鎖音（有声） Ca：Central approximant 中央近接音 Q：Geminate consonant 促音 －：Long vowel 長音
© Copyright 2024 ExpyDoc
