[論文レビュー] On a cepstrum-based speech detector robust to white noise

Sergei Skorik, Frédéric Berthommier|ArXiv.org|Oct 10, 2000

Speech and Audio Processing参考文献 4被引用数 6

ひとこと要約

本論文では、語り声と白色ノイズを区別するため、ケプストラム係数の重み付き和として表される V という特徴量を用いたケプストラムベースの音声検出手法を提案する。5 dB SNR 以上の条件下で、語り声とノイズの V の分布が明確に分離されることから、低SNR環境下におけるノイズに強い音声検出の実現可能性が示された。

ABSTRACT

We study effects of additive white noise on the cepstral representation of speech signals. Distribution of each individual cepstrum coefficient of speech is shown to depend strongly on noise and to overlap significantly with the cepstrum distribution of noise. Based on these studies, we suggest a scalar quantity, V, equal to the sum of weighted cepstral coefficients, which is able to classify frames containing speech against noise-like frames. The distributions of V for speech and noise frames are reasonably well separated above SNR = 5 dB, demonstrating the feasibility of robust speech detector based on V.

研究の動機と目的

• 従来のケプストラム表現が著しく汚染されるため、追加の白色ノイズが存在する状況での音声検出という課題に取り組む。
• 白色ノイズが個々のケプストラム係数およびその統計的分布に与える影響を分析する。
• 語り声フレームとノイズに類似したフレームを効果的に分離できるスカラ特徴量 V を開発する。
• さまざまなSNR条件下での V の性能を評価する。
• 白色ノイズ環境下で、ケプストラム特徴に基づく耐ノイズ音声検出システムの実現可能性を示す。

提案手法

• 著者らは、追加の白色ノイズ下での個々のケプストラム係数の分布を分析し、語り声とノイズの分布間に顕著な重なりが生じることを観察した。
• 語り声とノイズの間の識別を向上させるために、ケプストラム係数の重み付き和として定義されるスカラ特徴量 V を提案した。
• 語り声フレームとノイズフレームの V の分布の分離を最大化するように、ケプストラム係数の重みを決定した。
• ノイズ下でのケプストラム係数の統計的モデリングに依存し、ノイズがケプストラムに予測可能な方法で歪曲することを利用した。
• さまざまなSNRレベルでの語り声フレームとノイズフレームの V の分布を比較することで、V の性能を評価した。
• 検出閾値は V の分布の分離に基づいて設定され、5 dB SNR 以上の条件下で最適な性能が得られた。

実験結果

リサーチクエスチョン

• RQ1 追加の白色ノイズは、音声信号の個々のケプストラム係数の分布にどのように影響を与えるか？
• RQ2 語り声と白色ノイズのケプストラム分布の重なりはどの程度であり、これを軽減できるか？
• RQ3 重み付きケプストラム係数から導出されるスカラ特徴量 V は、語り声とノイズを効果的に区別できるか？
• RQ4 特徴量 V が語り声とノイズの分布を信頼性を持って分離するSNRレベルは何か？
• RQ5 白色ノイズ環境下で、ケプストラムベースの手法が耐ノイズ音声検出に実現可能か？

主な発見

• 語り声の個々のケプストラム係数の分布は、追加の白色ノイズの影響を強く受け、ノイズ分布と強く重複する。
• 重み付きケプストラム係数の和として定義されるスカラ特徴量 V は、5 dB SNR 以上の条件下で、語り声フレームとノイズフレームの分布が明確に分離されている。
• SNR > 5 dB での V の分布の分離は、語り声フレームをノイズに類似したフレームから信頼性高く分類可能であることを示している。
• 本手法は、白色ノイズ環境下でも、ケプストラム特徴を用いた耐ノイズ音声検出の実現可能性を示している。
• 結果から、V は、ノイズ環境下でも安定的かつ効果的な分類特徴量であることが示唆された。
• 本研究は、適切に重み付けされたケプストラム特徴が、ノイズ環境下で個々のケプストラム係数の限界を補完できることを確認した。