[论文解读] Modified Mel Filter Bank to Compute MFCC of Subsampled Speech

Kiran Kumar Bhuvanagiri, Sunil Kumar Kopparapu|arXiv (Cornell University)|Oct 25, 2014

Speech Recognition and Synthesis参考文献 6被引用 3

一句话总结

本文提出了一种改进的梅尔滤波器组，用于从采样率降低的语音中计算MFCC，显著提高了与原始语音MFCC的相关性及识别准确率。该方法通过将滤波器组的中心频率和带宽与原始语音谱对齐，优于以往方法，在8 kHz采样率的降采样语音上实现了接近16 kHz原始语音的识别准确率。

ABSTRACT

Mel Frequency Cepstral Coefficients (MFCCs) are the most popularly used speech features in most speech and speaker recognition applications. In this work, we propose a modified Mel filter bank to extract MFCCs from subsampled speech. We also propose a stronger metric which effectively captures the correlation between MFCCs of original speech and MFCC of resampled speech. It is found that the proposed method of filter bank construction performs distinguishably well and gives recognition performance on resampled speech close to recognition accuracies on original speech.

研究动机与目标

• 解决在处理时间压缩（降采样）语音时保持高语音识别性能的挑战。
• 提高从降采样语音中提取的MFCC与原始语音MFCC之间的相关性。
• 设计一种能保留对识别至关重要的频谱特性的滤波器组，尤其在采样率降低时。
• 使基于原始语音训练的现有HMM模型无需重新训练即可用于解码降采样语音。

提出的方法

• 设计一种改进的梅尔滤波器组，其中心频率和带宽专门针对降采样语音（如8 kHz）进行调整，以匹配原始16 kHz语音的频谱包络。
• 使用频率展宽函数将临界带宽映射到较低采样率，同时保留感知掩蔽特性。
• 在窗选并重采样的语音帧上应用改进的滤波器组，再计算DFT和MFCC。
• 使用标准步骤计算MFCC：汉明窗加权、DFT、对数能量计算以及逆DFT（倒谱变换）。
• 优化滤波器组参数，以最大化原始语音与降采样语音MFCC之间的相关性。
• 在AN4数据库上通过相关性度量（皮尔逊相关系数）和端到端语音识别对方法进行验证。

实验结果

研究问题

• RQ1 如何修改梅尔滤波器组，以在处理降采样语音时更好地保持MFCC的相关性？
• RQ2 当使用在原始采样率上训练的HMM模型但应用于降采样语音时，滤波器组设计对识别准确率有何影响？
• RQ3 改进的滤波器组能否在降采样语音上实现与原始语音相当的识别性能？
• RQ4 与六种现有用于降采样MFCC计算的滤波器组设计相比，所提方法在相关性和识别准确率方面表现如何？

主要发现

• 所提滤波器组在原始语音与降采样语音MFCC之间实现了0.986的平均皮尔逊相关系数（情况I），显著优于最佳现有方法（0.913）。
• 在帧级相关性（情况II）中，所提方法的平均相关系数达到0.961，而最佳现有方法为0.756。
• 在8 kHz降采样语音上使用所提滤波器组进行词识别的准确率分别为37.00%（情况A）和77.62%（情况B），而原始16 kHz语音的准确率分别为43.21%和81.63%。
• 所提方法的识别性能显著优于最佳现有方法（情况A和B分别提高3.88%和11.90%）。
• 滤波器组输出的可视化分析表明，所提方法能紧密跟踪原始梅尔滤波器组的响应，而现有方法则显示出明显的频移。
• 性能提升归因于滤波器组中心频率和带宽与原始语音频谱特征的更好对齐，即使在降采样后仍保持良好匹配。