[論文レビュー] Evaluation of a Multi-Resolution Dyadic Wavelet Transform Method for usable Speech Detection

Wajdi Ghezaiel, Amel Ben Slimane Rahmouni+1 more|arXiv (Cornell University)|Jan 2, 2013

Speech and Audio Processing被引用数 3

ひとこと要約

本論文は、時間周波数解析を活用して音声成分を分離することで、重なり合う音声混合信号における使用可能な音声セグメントを検出するためのマルチリゾリューション・ダイアディックウェーブレット変換（MRDWT）手法を提案する。TIMITデータベースを用いた評価では、多様な性別を含む話者混合状況下で95.76%の使用可能音声検出精度と29.65%の誤検出率を達成した。

ABSTRACT

Many applications of speech communication and speaker identification suffer from the problem of co-channel speech. This paper deals with a multi-resolution dyadic wavelet transform method for usable segments of co-channel speech detection that could be processed by a speaker identification system. Evaluation of this method is performed on TIMIT database referring to the Target to Interferer Ratio measure. Co-channel speech is constructed by mixing all possible gender speakers. Results do not show much difference for different mixtures. For the overall mixtures 95.76% of usable speech is correctly detected with false alarms of 29.65%.

研究の動機と目的

• 話者識別システムにおける重なり音声による劣化の課題に対処すること。
• 重なった音声環境下における音声処理の信頼性を向上させること。
• 事前の話者分離なしに、混合信号内の使用可能な音声セグメントを検出する堅牢な手法を開発すること。
• 一般化を確保するため、多様な性別話者コンビネーションを用いて性能を評価すること。
• 目標対干渉比（TIR）指標を用いて、検出精度と誤検出率を評価すること。

提案手法

• 混合音声信号を複数の周波数バンドに分解するために、マルチリゾリューション・ダイアディックウェーブレット変換（MRDWT）を適用する。
• 時間周波数表現を用いて、エネルギーが優勢な領域（活動中の音声セグメントに対応）を特定する。
• ダイアディックウェーブレット構造を活用し、対数周波数分解能を持つマルチレート解析を実現する。
• エネルギー集中度と時間的連続性に基づいてウェーブレット係数をしきい値処理することで、使用可能な音声を検出する。
• TIMITデータベースを用いて学習および評価を行い、すべての可能な性別話者混合状況をシミュレートする。
• 性能評価指標として目標対干渉比（TIR）を用い、検出品質を定量化する。

実験結果

リサーチクエスチョン

• RQ1 MRDWT手法は、重なり合う音声混合状況下で使用可能な音声セグメントを効果的に検出できるか？
• RQ2 混合信号内の異なる性別話者コンビネーションにおいて、検出性能はどのように変化するか？
• RQ3 重なり合う音声状況下で、使用可能音声検出精度と誤検出率のトレードオフはどのようなものか？
• RQ4 ダイアディックウェーブレット変換のマルチリゾリューション特性は、単一リゾリューション手法と比較して、セグメント検出をどの程度向上させるか？
• RQ5 現実的で多様な話者混合状況下で、この手法はどの程度の性能を示すか？

主な発見

• MRDWT手法は、全テスト対象の重なり合う音声混合状況において、95.76%の使用可能音声検出率を達成した。
• 誤検出率は29.65%であり、非音声領域や干渉者優勢領域に対しても中程度の感度を示した。
• 異なる性別話者コンビネーション間で検出精度の顕著なばらつきがなく、一貫性のある性能を示した。
• TIMITデータベースは、評価のための現実的な重なり合う音声状況をシミュレートするのに成功した。
• マルチリゾリューション・ダイアディックウェーブレット変換は、音声活動に関連する時間周波数エネルギー分布を効果的に捉えた。
• 事前の話者分離がなくても、使用可能な音声セグメントを識別するという点で、本手法は頑健性を示した。