[論文レビュー] An Interesting Property of LPCs for Sonorant Vs Fricative Discrimination

T. Ananthapadmanabha, A. G. Ramakrishnan+1 more|arXiv (Cornell University)|Nov 5, 2014

Speech and Audio Processing参考文献 24被引用数 5

ひとこと要約

本稿では、音声信号における鼻音と摩擦音の区別に用いるために、線形予測係数（LPC）の和の逆正 tangent として定義される Sonorant-Fricative Discrimination Index（SFDI）を提案する。TIMITおよびNTIMITデータベースを用いたしきい値ベースの分類において、SFDIはクリアな音声で99.07%の正確性を達成し、0 dB SNRでも安定した性能を示し、この二値分類タスクにおいて最先端の手法を上回るか、同等の性能を発揮する。

ABSTRACT

Linear prediction (LP) technique estimates an optimum all-pole filter of a given order for a frame of speech signal. The coefficients of the all-pole filter, 1/A(z) are referred to as LP coefficients (LPCs). The gain of the inverse of the all-pole filter, A(z) at z = 1, i.e, at frequency = 0, A(1) corresponds to the sum of LPCs, which has the property of being lower (higher) than a threshold for the sonorants (fricatives). When the inverse-tan of A(1), denoted as T(1), is used a feature and tested on the sonorant and fricative frames of the entire TIMIT database, an accuracy of 99.07% is obtained. Hence, we refer to T(1) as sonorant-fricative discrimination index (SFDI). This property has also been tested for its robustness for additive white noise and on the telephone quality speech of the NTIMIT database. These results are comparable to, or in some respects, better than the state-of-the-art methods proposed for a similar task. Such a property may be used for segmenting a speech signal or for non-uniform frame-rate analysis.

研究の動機と目的

• 連続音声における鼻音と摩擦音を区別するための単純で効果的な音響特徴量を特定すること。
• 音声クラス分離のスカラーフィーチャとしてのLPCの和（A(1)）の判別能力を評価すること。
• 加法的ホワイトノイズや電話品質の音声といった劣化条件におけるこの特徴量のロバスト性を検証すること。
• SFDIが音声信号のセグメンテーションや非一様フレームレート解析に有効に応用可能かどうかを検討すること。

提案手法

• 予エムファシス処理、平均除去、ハンニング窓を適用した20 msの音声フレーム（5 msシフト）に対して、自己相関法を用いて線形予測係数（LPC）を計算する。
• z=1における逆全極フィルタのゲインA(1)を計算する。これはLPCの和に等しく、A(1) = 1 + a₁ + a₂ + ... + aₘ と表される。
• Sonorant-Fricative Discrimination Index（SFDI）をT(1) = arctan(A(1))として定義する。これはスペクトルティルトに敏感なスカラーフィーチャである。
• SFDIにしきい値を適用し、フレームを鼻音（SFDIが低い）または摩擦音（SFDIが高い）に分類する。
• SFDIを低エネルギーのフレームに対して0に設定することで、エネルギーに基づくサイレント除去を適用し、セグメンテーションを精緻化する。
• さまざまなSNR条件（0〜20 dB）下で、TIMITおよびNTIMITの全データベースを用いて性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 LPCの和（A(1)）は、音声信号における鼻音と摩擦音の区別に信頼性のあるスカラーフィーチャとして機能するか？
• RQ2 SFDI特徴量は、加法的ホワイトノイズや帯域制限のある電話品質音声による劣化に対してどれほどロバストか？
• RQ3 SFDIに基づく分類は、鼻音／摩擦音分類またはV/U分類において、既存の最先端手法を上回る正確性を達成するか？
• RQ4 SFDIは、音声の粗い音声クラスセグメンテーションに有効に応用可能か？
• RQ5 観察された区別特性の背後にあるスペクトルエンVELOープとLPCの和との関係は何か？

主な発見

• SFDIは、クリアな音声条件下でTIMIT全データベースにおいて99.07%のフレーム単位分類正確性を達成し、大多数の先行手法を著しく上回る。
• 0 dB SNRでも、TIMITでは91.3%、NTIMITでは80.4%の正確性を維持し、ノイズに対する強いロバスト性を示す。
• 開発セットと全データベース間でSFDI分類のしきい値が一貫しており、安定した一般化性能を示している。
• SFDIに基づくセグメンテーションは、手動でラベル付けされた音声境界とよく一致しており、特に摩擦音と鼻音の遷移部で顕著である。
• SFDIの性能は、MFCC、微分特徴量、SVMを用いるような複雑な特徴量セットを用いた最先端手法と同等またはそれ以上であり、計算量も最小限に抑えられる。
• 本研究では、LPCの和（A(1)）が鼻音と摩擦音の間で顕著なスペクトルティルトの違いを捉えており、最小限の計算量で高精度な区別が可能であることが明らかになった。