[論文レビュー] Emirati Speaker Verification Based on HMM1s, HMM2s, and HMM3s

Ismail Shahin|arXiv (Cornell University)|Jul 2, 2017

Speech Recognition and Synthesis参考文献 17被引用数 5

ひとこと要約

本稿では、50名のネイティブ発話者から構成される独自データベースを用いて、アラビア語のエミリ短語（Emirati Arabic）におけるテキスト非依存発話者認証のためのHMM1、HMM2、HMM3モデルを提案および評価する。HMM3は、人間の聴取者による評価と密接に一致する優れた性能を示しており、中立な音響環境下における低リソース・ダイアレクト特化型発話者認識にその有効性を示している。

ABSTRACT

This work focuses on Emirati speaker verification systems in neutral talking environments based on each of First-Order Hidden Markov Models (HMM1s), Second-Order Hidden Markov Models (HMM2s), and Third-Order Hidden Markov Models (HMM3s) as classifiers. These systems have been evaluated on our collected Emirati speech database which is comprised of 25 male and 25 female Emirati speakers using Mel-Frequency Cepstral Coefficients (MFCCs) as extracted features. Our results show that HMM3s outperform each of HMM1s and HMM2s for a text-independent Emirati speaker verification. The obtained results based on HMM3s are close to those achieved in subjective assessment by human listeners.

研究の動機と目的

• エミリ短語（Emirati Arabic）という低リソースで研究が不足している方言に特化した発話者認証システムの開発および評価を目的とする。
• 第一、第二、第三の順序の隠れマルコフモデル（HMM1、HMM2、HMM3）がエミリ短語の発話者認識において果たす性能を調査すること。
• 中立な音響環境下におけるテキスト非依存発話者認証の文脈で、これらのモデルの有効性を評価すること。
• 妥当性の検証のため、システムの性能を人間の聴取者による主観的評価と比較すること。

提案手法

• 本研究では、男性25名、女性25名のネイティブ発話者から構成される独自のエミリ短語音声データベースを用いる。
• すべての音声サンプルに対して、メル周波数ケプストラム係数（MFCC）を特徴量として抽出する。
• HMM1、HMM2、HMM3モデルを発話者認証の分類器として独立して訓練およびテストする。
• 各モデルは、テキスト非依存設定下で標準的な発話者認証指標を用いて評価される。
• 性能の妥当性を検証するため、HMM3の性能を直接的に人間の聴取者による評価と比較する。

実験結果

リサーチクエスチョン

• RQ1 HMM1、HMM2、HMM3モデルは、テキスト非依存エミリ発話者認証において、どのように性能を比較するか？
• RQ2 HMM3は、エミリ発話者認識において、人間の聴取者による正確性に近い性能を達成できるか？
• RQ3 中立な環境下において、エミリ短語のような低リソース方言に対して、HMMベースのモデルはどれほど有効か？
• RQ4 モデルの順序（HMM1 対 HMM2 対 HMM3）が、エミリ短語の発話者認識の正確性に与える相対的影響は何か？

主な発見

• HMM3は、テキスト非依存エミリ発話者認証タスクにおいて、HMM1およびHMM2を上回る性能を示す。
• HMM3の性能は、主観的評価における人間の聴取者による正確性と非常に近い。
• HMM1およびHMM2はHMM3に比べて低い性能を示しており、高次のモデルがこのタスクに適していることが示唆される。
• MFCCを特徴量として用いることは、エミリ短語の話者固有の特徴を効果的に捉えるのに有効である。