音響尤度を用いたマルチスピーカ音響エコーキャンセラの検討 1-Q-17 古賀健太郎，滝口哲也，有木康雄(神戸大) 研究背景・目的問題設定・アプローチマルチスピーカ(ｽﾋﾟｰｶ数：4)からの音楽雑音(2ch)が， 1chマイクで観測されるﾓﾃﾞﾙにおいて，観測信号y(i)の SNを向上カーナビのタッチパネル操作は，わき見運転による交通事故を誘発 音声ならば，わき見運転することが無い しかし，車内では雑音が音声認識用マイクに混入し認識率が低下  適応フィルタ h’(i) は4つのエコーパスをまとめて推定するため、ｷｬﾝｾﾙ結果が十分に収束しないそこで、4つの固定フィルタで，4つのエコーパスを独立に推定する車内などの環境で，マイクで観測される雑音を除去し音声認識率を確保する音響エコーキャンセラの研究 y(i)のSN向上には xR*hFR (i)+xR*hRR(i)+ xL*hFL(i)+xL*hRL(i) を正確に推定してy(i)からキャンセルする必要あり音響尤度を用いたマルチスピーカ音響エコーキャンセラ実環境 i {i=1,2,…,N}でインパルス応答を測定し各エコーパスに対応した固定フィルタ h’FL(i), h’FR(i), h’RL(i),h’RR(i) {i=1,2,…,N} とする環境 i は変化推定したい環境の数Nだけ固定フィルタを準備音声尤度低いクリーン音声候補参考：インパルス応答を測定した実環境推定環境と，観測信号の測定環境がミスマッチのため音楽雑音消し残しが多い音声尤度高いクリーン音声候補推定環境と，観測信号測定環境が合っているため音響雑音消し残しが少ないこちらを選択推定したい環境N通りのキャンセルを行いN個のクリーン音声候補を算出＜全体図＞ i=1 h’FR(1) i=2 h’RR(1) + - h’FL (1) h’FR(2) + - h’RL + - h’FL (2) ŜM(1), ŜM(2), … , ŜM(N) と音声のＧＭＭψ={λ, μ, σ} より音声尤度高域強調 → ＦＦＴ → (1)｜ψ ), P(Ŝ (2)｜ψ ), …, P(Ŝ (N)｜ψ ) P(Ŝ M M M ｎ次元メルフィルタバンク処理 → 出てきた値の対数を離散コサイン変換を計算し i=N h’RR(2) h’FR(N) (FRｽﾋﾟｰｶ) h’RR(N) + - h’RL xR (RRｽﾋﾟｰｶ) hFR(i) S hRR(i) (Rch) h’FL + - + - (N) (N) h’RL hFL(i) MFCC特徴量 ŜM(1) , ŜM(2), … , ŜM(N) を算出参照信号 (音楽) (観測信号) (音声) (2) (2) 音声尤度最大の î の計算クリーン音声候補ŝ(1), ŝ(2), … , ŝ(N) の時間領域波形に対し y(i) (1) (1) MFCC特徴量計算 i (Lch) (室内環境) hRL(i) (FLｽﾋﾟｰｶ) î = argmax P(ŜM(i)｜ψ ) i となる ŝ(î) を，求めるクリーン音声 ŝ とする音声尤度 W xL 音声特徴量 o の重みつき混合正規分布 P(o) = ΣλwN(o ;μw ,σw) w=1 (RLｽﾋﾟｰｶ) ＜実験条件＞ ŝ(1) ŝ(2) ŝ(N) ｸﾘｰﾝ音声候補＜SN評価結果＞ N個のクリーン音声候補のうち音声尤度最大の候補を選択 SNR(dB) 40.0 環境 i ( 物の配置が異なる環境(8通り) ) ŝ(1) ŝ(1) ŝ(2) ŝ(N) î 番目のクリーン音声候補を選択 ŝ(î) î ŝ(2) ŝ(N) (1)ＭＦＣＣ特徴量計算 ŜM(2) ŜM(N) ŜM(1) 音声の GMM ψ={λ, μ, σ} 30.0 20.0 観測信号(※)のパラメータ (クリーン音声) 音声sの話者 5名発話文章数 20 標本化周波数 16kHz 観測した環境i 1～8 従来手法(NLMS)のパラメータ音声認識エンジン適応ﾌｨﾙﾀのﾀｯﾌﾟ長提案手法は、推定する環境が多くなればなるほど計算に時間がかかる欠点がある。そこで、推定する環境を減らす検討を行う。 1200 固定フィルタで推定した環境I 固定フィルタのタップ長 GMM学習に用いた話者数 GMM学習の文章数 GMMの混合数 MFCCの次元数 MFCC特徴抽出のフレーム幅 MFCC特徴抽出のシフト幅 1～8 1200 1名(特定話者) 20 32 16 32ms 8ms 40.0 1 95 4 20.0 17.8 15.8 21.7 10 6 10 7 8 5 o = 1 のとき95% の確率でh’(2) 選択 o = 2 のとき90% の確率でh’(1) 選択 30 55 10 25 75 5 70 10 o = 4 のとき75% の確率でh’(5) 選択 5 o = 5 のとき70% の確率でh’(4)選択 5 85 5 20 (8) 選択 o = 6 のとき85% の確率でh’ 15 o = 8 のとき95% の確率でh’(6)選択 5 55 95 35.3 30.8 8 5 10 5 5 7 5 2 85 3 6 ＜SN評価結果＞ 30.0 使用しなかった環境 o の代わりにどの環境 o^ が選択されているか調査 (表中の数値：％) 5 尤度最大化基準に基づく音響エコーキャンセラ【提案手法】 40.0 30.0 環境 i ( 物の配置が異なる環境(8通り) ) 20.0 h’(1)とh’(2) 、 h’(4)とh’(5) 、 h’(6)とh’(8)は、それぞれ似た環境 17.8 15.8 21.7 10.0 観測信号(※)のパラメータ 4 適応フィルタによるキャンセラ【NLMS(学習同定法)】 SNR(dB) 35.3 0.0 3 キャンセル無し【ベースライン】・環境1と2の片方、環境4と5の片方、環境6と8の片方を推定に使う・環境3と7は必ず推定に使う物の配置が異なる環境8通りに対し、5通りの環境で推定する 10.0 2 15.8 0.0 提案手法のパラメータ＜実験条件＞ SNR(dB) 1 17.8 ※ 参照信号に実環境で測定したインパルスを畳み込んだシミュレーション観測信号推定環境を減らす検討選ばれた環境o^ 実際の環境 o 35.3 10.0 (2)音声尤度最大の î の計算環境oで観測した信号y(o)に対し，同じ環境oを推定した固定フィルタh’(o)を用いなかった場合(未知環境の場合)，同じ環境oを推定した固定フィルタh’(o)を用いている場合と比べて，SN改善効果が小さい (右グラフ黄色の帯) λw：重み係数 Σ1Wλw dw = 1 音声sの話者 5名発話文章数 20 標本化周波数 16kHz 観測した環境i 1～8 提案手法のパラメータ固定フィルタで推定した環境I (※2) i={1or2, 3, 4or5, 6or8, 7} 固定フィルタのタップ長 1200 GMM学習に用いた話者数 1名 (特定話者) GMM学習の文章数 20 GMMの混合数 32 MFCCの次元数 16 MFCC特徴抽出のフレーム幅 32ms MFCC特徴抽出のシフト幅 8ms ※ 参照信号に実環境で測定したインパルスを畳み込んだシミュレーション観測信号 ※2 5通りの推定の組み合わせは ( i={(1,3,4,6,7),(1,3,4,7,8),(1,3,5,6,7),(1,3,5,7,8),(2,3,4,6,7),(2,3,4,7,8),(2,3,5,6,7),(2,3,5,7,8)})の8 パターン 0.0 キャンセル無し【ベースライン】適応フィルタによるキャンセラ【NLMS(学習同定法)】尤度最大化基準に基づく音響エコーキャンセラ【提案手法、環境iが既知の場合】尤度最大化基準に基づく音響エコーキャンセラ【環境iが未知の場合】尤度最大化基準に基づく音響エコーキャンセラ【環境iが一部未知の場合】 (5通りの推定の組合せ8ﾊﾟﾀｰﾝの平均) 8通りの環境による推定(環境iが既知)と比べるとSN改善効果は小さくなるが、環境iが未知の場合と比べるとSN改善効果は高い 5通りの環境による推定(環境iが一部未知)でも十分な音楽キャンセル性能を出せる