[論文レビュー] Wavelet-Based Mel-Frequency Cepstral Coefficients for Speaker Identification using Hidden Markov Models

Mahmoud I. Abdalla, Hanaa S. Ali|arXiv (Cornell University)|Mar 29, 2010

Speech Recognition and Synthesis参考文献 10被引用数 28

ひとこと要約

本論文は、離散ウェーブレット変換の時間周波数マルチスケール特性を活用して、ノイズ環境下での特徴抽出を向上させるウェーブレットベースのメル周波数ケプストラム係数（MFCC）手法を、隠れマルコフモデル（HMM）を用いて発話者識別に適用するものである。クリアな条件下では99.3%の認識率を達成し、20 dB SNRの白色ガウスノイズ下でも97.3%の認識率を示し、従来のMFCCと比較してノイズ環境下で5.3ポイントの性能向上を達成した。

ABSTRACT

To improve the performance of speaker identification systems, an effective and robust method is proposed to extract speech features, capable of operating in noisy environment. Based on the time-frequency multi-resolution property of wavelet transform, the input speech signal is decomposed into various frequency channels. For capturing the characteristic of the signal, the Mel-Frequency Cepstral Coefficients (MFCCs) of the wavelet channels are calculated. Hidden Markov Models (HMMs) were used for the recognition stage as they give better recognition for the speaker's features than Dynamic Time Warping (DTW). Comparison of the proposed approach with the MFCCs conventional feature extraction method shows that the proposed method not only effectively reduces the influence of noise, but also improves recognition. A recognition rate of 99.3% was obtained using the proposed feature extraction technique compared to 98.7% using the MFCCs. When the test patterns were corrupted by additive white Gaussian noise with 20 dB S/N ratio, the recognition rate was 97.3% using the proposed method compared to 93.3% using the MFCCs.

研究の動機と目的

• ノイズの多い音響環境下での発話者識別性能の向上を図ること。
• 信号品質が劣化した状況下でも精度を維持できる頑健な音声特徴抽出手法の開発。
• ウェーブレット変換とメル周波数ケプストラム係数を統合し、より優れたスペクトル表現を実現すること。
• HMMを認識エンジンとして用いて、提案手法の性能を従来のMFCCと比較して評価すること。

提案手法

• 入力音声信号を離散ウェーブレット変換（DWT）を用いて複数の周波数帯に分解し、マルチスケールな時間周波数解析を実現する。
• 各ウェーブレット分解サブバンドからメル周波数ケプストラム係数（MFCC）を抽出し、知覚的に関連するスペクトルエンベロープを捉える。
• 得られたウェーブレットベースのMFCCを、発話者識別に特化した隠れマルコフモデル（HMM）の入力特徴として用いる。
• HMMを用いて系列モデリングと分類を実施し、発話者検証タスクにおいて、動的時間ワープング（DTW）よりも優れた性能を発揮する。
• ウェーブレット分解のノイズ耐性とメル周波数フィルタリングの知覚的関連性を組み合わせる。
• すべてのウェーブレットサブバンドからの特徴ベクトルを連結し、HMMに基づく発話者識別システムの学習および評価に用いる。

実験結果

リサーチクエスチョン

• RQ1 従来のMFCCと比較して、ウェーブレットベースの特徴抽出はノイズ環境下での発話者認識精度を向上させることができるか？
• RQ2 ウェーブレット変換とメル周波数ケプストラム係数の統合は、認識性能にどのような影響を及ぼすか？
• RQ3 ウェーブレット-MFCC特徴を用いたHMMは、標準MFCC特徴を用いたHMMよりも優れた結果をもたらすか？
• RQ4 提案手法は、加法性白色ガウスノイズ下での認識精度の低下をどの程度軽減できるか？
• RQ5 発話者識別において、ウェーブレット分解レベルと認識性能の最適なバランスは何か？

主な発見

• 提案されたウェーブレットベースのMFCC手法は、クリアな音声条件下で99.3%の発話者認識率を達成し、従来のMFCCを上回った。
• 20 dBの信号対ノイズ比（SNR）の加法性白色ガウスノイズ下では、提案手法の認識率は97.3%であったのに対し、従来のMFCCは93.3%であった。
• ノイズ環境下での提案手法の従来MFCCに対する性能向上は5.3ポイントであった。
• ウェーブレットベースのアプローチはノイズに対する優れた耐性を示し、スペクトル特徴における干渉の効果的な抑制が図られた。
• ウェーブレット-MFCC特徴を用いたHMMは、DTWベースのシステムよりも高い認識正確性を達成しており、HMMの系列モデリングにおける有効性が裏付けられた。
• マルチスケールのウェーブレット分解とメル周波数フィルタリングの統合により、知覚的特徴表現が向上し、発話者間の識別能が向上した。