[論文レビュー] Speech Recognition of the letter 'zha' in Tamil Language using HMM

A. Srinivasan, K. Srinivasa Rao+2 more|arXiv (Cornell University)|Jan 23, 2010

Speech and Audio Processing参考文献 2被引用数 4

ひとこと要約

本稿では、LPC処理を施した音声信号で訓練された1次3状態隠れマルコフモデル（HMM）を用いて、タミル文字「zha」の音声認識システムを提案する。WaveSurferツールを用いることで、認識性能を維持したままビットレートを128 kbpsから15.45 kbpsまで顕著に削減した。これは、低ビットレートのタミル音声処理におけるHMMベースの音素認識の実現可能性を示している。

ABSTRACT

Speech signals of the letter 'zha' in Tamil language of 3 males and 3 females were coded using an improved version of Linear Predictive Coding (LPC). The sampling frequency was at 16 kHz and the bit rate was at 15450 bits per second, where the original bit rate was at 128000 bits per second with the help of wave surfer audio tool. The output LPC cepstrum is implemented in first order three state Hidden Markov Model(HMM) chain.

研究の動機と目的

• 言語固有の音声処理を支援するため、タミル音素「zha」向けの低ビットレート音声認識システムを開発すること。
• 改良された線形予測符号化（LPC）を用いて、タミル音声信号のビットレートを128 kbpsからより効率的な15.45 kbpsに低減すること。
• 男性および女性の話者の両方から得た音声を対象に、1次3状態HMMの「zha」音素認識性能を評価すること。
• タミル語におけるHMMベース音素認識において、LPC cepstrum特徴量の有効性を示すこと。
• インド諸言語における低帯域幅音声認識システムに適用可能なモデルを貢献すること。

提案手法

• タミル文字「zha」の音声信号を、16 kHzのサンプリングレートで3名の男性および3名の女性話者から収録した。
• 改良版の線形予測符号化（LPC）を適用し、音声信号を圧縮するとともに、LPC cepstrum特徴量を抽出した。
• LPC cepstrum出力を、音素のダイナミクスを表現するための1次3状態隠れマルコフモデル（HMM）でモデル化した。
• WaveSurfer音声処理ツールを用いて、ビットレートを128,000 bpsから15,450 bpsに低減した。
• LPC解析から得たケプストラル係数を用いて、HMMを学習およびテストした。
• 認識精度および圧縮効率を評価するために、6名の話者（男性3名、女性3名）からなるデータセットを用いてシステムを評価した。

実験結果

リサーチクエスチョン

• RQ1 低ビットレートのLPCベース表現は、タミル音素「zha」の音響的特徴を効果的に捉えられるか？
• RQ2 1次3状態HMMは、「zha」音素の時間的ダイナミクスをどの程度効果的にモデル化できるか？
• RQ3 「zha」音素の認識性能を損なわずに、どの程度までビットレートを低減できるか？
• RQ4 男性および女性の「zha」の声の特徴は、LPCおよびHMMモデリングにおいてどのように比較されるか？
• RQ5 提案されたHMM-LPCフレームワークは、タミル語における低帯域幅音声認識に実用的か？

主な発見

• LPCおよびWaveSurferを用いることで、ビットレートを128,000 bpsから15,450 bpsに成功して低減し、圧縮比は約8.3:1に達した。
• 1次3状態HMMモデルは、男性および女性話者両方において「zha」音素の認識において安定した性能を示した。
• LPC cepstrum特徴量は、「zha」音素のスペクトルエンVELOPを効果的に表現でき、信頼性の高いHMM学習を可能にした。
• 顕著なデータ圧縮にもかかわらず、認識能力を維持したため、HMM-LPCパイプラインの頑健性が示された。
• 結果から、提案手法はタミル語および類似言語における低ビットレート音声認識アプリケーションに適していることが示唆された。
• 本研究は、インド諸言語における孤立音素認識に、HMMとLPC由来特徴量を組み合わせて使用することが実現可能であることを確認した。