[論文レビュー] Parameters Optimization for Improving ASR Performance in Adverse Real World Noisy Environmental Conditions

Urmila Shrawankar, V. M. Thakare|arXiv (Cornell University)|Mar 22, 2013

Speech and Audio Processing参考文献 12被引用数 5

ひとこと要約

本論文では、実世界の騒音環境下での性能向上を目的として、自動音声認識（ASR）システムにおける変数パラメータ—窓サイズ、フレームサイズ、フレームオーバーラップ—の最適化を提案する。ファジィ推論システム（FIS）を用いることで、語彙誤り率（WER）を顕著に低減し、語彙正答率（WAR）を向上させる最適なパrameter設定を同定し、日常的で広範な人間-コンピュータインタラクション応用分野における耐障害性を向上させる。

ABSTRACT

From the existing research it has been observed that many techniques and methodologies are available for performing every step of Automatic Speech Recognition (ASR) system, but the performance (Minimization of Word Error Recognition-WER and Maximization of Word Accuracy Rate- WAR) of the methodology is not dependent on the only technique applied in that method. The research work indicates that, performance mainly depends on the category of the noise, the level of the noise and the variable size of the window, frame, frame overlap etc is considered in the existing methods. The main aim of the work presented in this paper is to use variable size of parameters like window size, frame size and frame overlap percentage to observe the performance of algorithms for various categories of noise with different levels and also train the system for all size of parameters and category of real world noisy environment to improve the performance of the speech recognition system. This paper presents the results of Signal-to-Noise Ratio (SNR) and Accuracy test by applying variable size of parameters. It is observed that, it is really very hard to evaluate test results and decide parameter size for ASR performance improvement for its resultant optimization. Hence, this study further suggests the feasible and optimum parameter size using Fuzzy Inference System (FIS) for enhancing resultant accuracy in adverse real world noisy environmental conditions. This work will be helpful to give discriminative training of ubiquitous ASR system for better Human Computer Interaction (HCI).

研究の動機と目的

• 異なる実世界のノイズ条件下での変数パラメータ設定（窓サイズ、フレームサイズ、フレームオーバーラップ）がASR性能に与える影響を調査すること。
• さまざまなノイズタイプとレベルにおいて、語彙誤り率（WER）を最小化し、語彙正答率（WAR）を最大化する最適なパラメータ設定を特定すること。
• 騒音環境下のASRシステムにおける自動的かつ適応的なパラメータ最適化を実現するファジィ推論システム（FIS）に基づくアプローチを開発すること。
• 実世界の悪条件な音響環境下でも耐障害性の高い性能を発揮するように、ASRシステムの判別的学習を可能にすること。
• 騒音環境下での音声認識の信頼性向上を通じて、人間-コンピュータインタラクション（HCI）を強化すること。

提案手法

• 本研究では、複数のノイズカテゴリと信号対雑音比（SNR）レベルにおいて、窓サイズ、フレームサイズ、フレームオーバーラップ率の変動を用いてASR性能を評価する。
• 信号対雑音比（SNR）と精度テストを実施し、WERおよびWARへのパラメータ変動の影響を測定する。
• ノイズ特性とパラメータ設定を最適な設定にマッピングするためのファジィ推論システム（FIS）を設計する。このFISは、WERを最小化し、WARを最大化することを目的とする。
• 経験的テスト結果から導出された言語的ルールを用いて、特定のノイズプロファイルに対して最適なパラメータセットを推論する。
• 環境条件にわたる一般化を確保するため、多様な実世界のノイズデータを用いてシステムを学習させる。
• 標準的なASR指標（語彙誤り率（WER）および語彙正答率（WAR））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 窓サイズ、フレームサイズ、フレームオーバーラップの変動が、騒音環境下でのASR性能にどのように影響を与えるか？
• RQ2 異なるノイズタイプとSNRレベル下で、WERを最小化し、WARを最大化するための最適なパラメータ設定の組み合わせは何か？
• RQ3 ファジィ推論システム（FIS）は、実世界のノイズ環境下での最適ASRパラメータを効果的に特定できるか？
• RQ4 提案されたFISベースの最適化は、固定パラメータ設定と比較して、ASRの耐障害性をどのように向上させるか？
• RQ5 パラメータ最適化は、実世界の非理想な音響環境下で、ASR性能をどの程度向上させ得るか？

主な発見

• 本研究では、ASRシステムの性能変動が、特に高ノイズ条件下で窓サイズ、フレームサイズ、フレームオーバーラップに強く依存していることが示された。
• 最適なパラメータ設定はノイズカテゴリとSNRに依存しており、すべての環境に共通する設定は存在しないことが判明した。
• ファジィ推論システム（FIS）は、高精度なパラメータ組み合わせを効果的に同定し、悪条件下でWERを低減し、WARを向上させた。
• FISベースの最適化は、固定パラメータ設定を上回り、多様な実世界のノイズタイプにわたる耐障害性の向上を示した。
• 結果から、パラメータチューニングがASR性能にとって極めて重要であり、FISはリアルタイム最適化に実用的で適応可能なソリューションであることが確認された。
• 提案手法により、実用的な人間-コンピュータインタラクション（HCI）応用分野における信頼性の高いASRシステムの判別的学習が可能になった。