[論文レビュー] Automatic Speech Recognition Using Template Model for Man-Machine Interface

Neema Mishra, Urmila Shrawankar+1 more|arXiv (Cornell University)|May 9, 2013

Speech Recognition and Synthesis参考文献 6被引用数 5

ひとこと要約

本稿では、特徴抽出にメル周波数ケプストラム係数（MFCC）を、パターンマッチングに動的時間ワープング（DTW）を用いた、テンプレートベースの自動音声認識（ASR）システムを提案する。この手法は、テンプレートマッチングにより、分離語の認識をロバストに実現し、単純さと低コストな計算量を重視した制御された人間-機械インタラクション環境において有効であることを示している。

ABSTRACT

Speech is a natural form of communication for human beings, and computers with the ability to understand speech and speak with a human voice are expected to contribute to the development of more natural man-machine interfaces. Computers with this kind of ability are gradually becoming a reality, through the evolution of speech recognition technologies. Speech is being an important mode of interaction with computers. In this paper Feature extraction is implemented using well-known Mel-Frequency Cepstral Coefficients (MFCC).Pattern matching is done using Dynamic time warping (DTW) algorithm.

研究の動機と目的

• 実用的な人間-機械インターフェースアプリケーション向けに、低複雑性でテンプレートベースの自動音声認識システムを開発すること。
• リアルタイム環境下における分離語認識において、MFCC特徴量とDTWの組み合わせの有効性を評価すること。
• 小ボキャブラリー音声認識タスクにおいて、複雑な統計モデルの代替として計算効率の高い手法を提供すること。
• 埋め込み型またはリソース制約のあるシステムにおける信頼性の高い音声入力として、DTWを用いたテンプレートマッチングの実現可能性を示すこと。

提案手法

• 特徴抽出は、音声のスペクトルエンVELOープ特性を捉える標準的手法であるメル周波数ケプストラム係数（MFCC）を用いて実施する。
• 各発話された単語は、そのスペクトルプロファイルを表す固定長のMFCC特徴ベクトルに変換される。
• 既知の単語をユーザーが発話したMFCCベクトルを格納することで、参照テンプレートデータベースが構築される。
• パターンマッチングは、入力音声と保存済みテンプレートを整合・比較するために動的時間ワープング（DTW）アルゴリズムを用いる。
• 入力信号に対してDTW距離が最小となる単語が、認識出力として選択される。
• システムは、入力音声フレームを処理し、一致スコアを段階的に計算することで、リアルタイムに動作する。

実験結果

リサーチクエスチョン

• RQ1 MFCCとDTWを用いたテンプレートベースのASRシステムは、人間-機械インターフェースにおいて分離語の信頼性の高い認識を達成できるか？
• RQ2 認識精度とロバスト性の観点から、DTWベースのマッチングは他のパターンマッチング手法と比べてどのように優れているか？
• RQ3 システムは、発話速度の変動や話者の特徴の違いに対してどの程度耐性を示すか？
• RQ4 リアルタイムの埋め込み環境における、提案手法の計算効率はいかほどか？

主な発見

• 制御された条件下で、MFCCとDTWを用いることで、分離語の認識精度が高く達成された。
• DTWの使用により、発話速度の違いを含む時間的変動が効果的に処理された。
• 1語あたり複数のサンプルで学習された場合、テンプレートベースのアプローチは話者の変動に対してもロバストであることが示された。
• この手法は計算効率が高く、リソース制約のある環境へのデプロイに適している。