[論文レビュー] Speaker Independent Continuous Speech to Text Converter for Mobile Application

R. Sandanalakshmi, P. Abinaya Viji+3 more|arXiv (Cornell University)|Jul 19, 2013

Speech and Audio Processing参考文献 10被引用数 6

ひとこと要約

本稿では、モバイルアプリケーション向けに最適化された、話者非依存の連続音声認識システムを提示する。ノイズ抑制のためのエネルギーとゼロクロスレートを組み合わせたハイブリッドVAD、特徴抽出のためのMFCC、認識のための一般化回帰ニューラルネットワーク（GRNN）を採用している。最小限のユーザー固有の音節データベースでほぼ100％の精度を達成しており、スマートフォンやPDAのようなリソース制限のあるデバイス上でのリアルタイム動作が可能である。

ABSTRACT

An efficient speech to text converter for mobile application is presented in this work. The prime motive is to formulate a system which would give optimum performance in terms of complexity, accuracy, delay and memory requirements for mobile environment. The speech to text converter consists of two stages namely front-end analysis and pattern recognition. The front end analysis involves preprocessing and feature extraction. The traditional voice activity detection algorithms which track only energy cannot successfully identify potential speech from input because the unwanted part of the speech also has some energy and appears to be speech. In the proposed system, VAD that calculates energy of high frequency part separately as zero crossing rate to differentiate noise from speech is used. Mel Frequency Cepstral Coefficient (MFCC) is used as feature extraction method and Generalized Regression Neural Network is used as recognizer. MFCC provides low word error rate and better feature extraction. Neural Network improves the accuracy. Thus a small database containing all possible syllable pronunciation of the user is sufficient to give recognition accuracy closer to 100%. Thus the proposed technique entertains realization of real time speaker independent applications like mobile phones, PDAs etc.

研究の動機と目的

• 計算リソースとメモリ使用量を最小限に抑えた、モバイルプラットフォームに適したリアルタイムで効率的な音声認識システムの開発。
• エネルギーとゼロクロスレートを組み合わせることで、ノイズ環境下でも音声活動検出（VAD）の性能を向上させる。
• 最小限のユーザー固有の学習データを用いて、話者非依存の状況下でも高い認識精度を達成すること。
• 複雑さの最適化と低遅延を実現することで、スマートフォンやPDAなどのモバイルデバイスへの実用的導入を可能にすること。

提案手法

• 高周波数成分におけるエネルギーとゼロクロスレートの両方を分析する二重指標VADを採用し、ノイズの識別性能を向上させた。
• 頑健でコンactな音声特徴抽出のため、メル周波数ケプストラム係数（MFCC）を用いた。
• 高精度な分類を実現するため、一般化回帰ニューラルネットワーク（GRNN）をパターン認識エンジンとして採用した。
• システムを二段階に設計：前処理および特徴抽出（フロントエンド）、その後にGRNNを用いたパターン認識。
• 必要な学習データベースを、ユーザーごとのすべての可能な音節発音に限定することで、ストレージの必要を最小限に抑えた。
• モバイルデバイス向けに、低遅延かつ低メモリ使用量を実現するため、パイプライン全体を最適化した。

実験結果

リサーチクエスチョン

• RQ1 最小限のリソース消費で、モバイルデバイス上で効率的に実装可能な話者非依存の連続音声認識システムは構築可能か？
• RQ2 騒音環境下で誤検出を低減するために、音声活動検出（VAD）はどのように改善できるか？
• RQ3 MFCCとGRNNを併用することで、限られた学習データでも認識精度をどの程度向上できるか？
• RQ4 ほぼ100％の認識精度を達成するために必要なユーザー固有の学習データベースの最小サイズはどの程度か？
• RQ5 モバイルハードウェアの制約下でも、システムはリアルタイム性能を維持できるか？

主な発見

• 提案されたVAD手法は、高周波数帯域におけるゼロクロスレートを活用することで、従来のエネルギーのみの手法よりも、背景ノイズからの音声の区別を効果的に行える。
• MFCCを用いた特徴抽出により、単語誤り率が低く抑えられ、認識の頑健性が向上した。
• GRNNを用いた認識器は、非常に小さな、音節レベルのユーザー固有データベースでのみ学習させたにもかかわらず、認識精度がほぼ100％に近づいた。
• システムは計算複雑度とメモリ使用量が低く抑えられており、リアルタイムなモバイルデバイスへの展開に適していることが示された。
• 強化されたVAD、MFCC、GRNNの統合により、モバイルプラットフォーム上で信頼性の高い話者非依存の連続音声認識が実現された。