[論文レビュー] RIR-Mega-Speech: A Reverberant Speech Corpus with Comprehensive Acoustic Metadata and Reproducible Evaluation

Mandip Goswami|arXiv (Cornell University)|Jan 25, 2026

Speech and Audio Processing被引用数 0

ひとこと要約

この論文は、ファイルごとに RT60、DRR、C50 の注釈を持つ大規模残響音声コーパスである RIR-Mega-Speech を紹介し、LibriSpeech と RIR-Mega 由来のシミュレート残響音源で再現可能な生成・評価スクリプトを提供する。残響下での Whisper small の WER 増加を報告し、正確な再現性のあるツールを提供する。

ABSTRACT

Despite decades of research on reverberant speech, comparing methods remains difficult because most corpora lack per-file acoustic annotations or provide limited documentation for reproduction. We present RIR-Mega-Speech, a corpus of approximately 117.5 hours created by convolving LibriSpeech utterances with roughly 5,000 simulated room impulse responses from the RIR-Mega collection. Every file includes RT60, direct-to-reverberant ratio (DRR), and clarity index ($C_{50}$) computed from the source RIR using clearly defined, reproducible procedures. We also provide scripts to rebuild the dataset and reproduce all evaluation results. Using Whisper small on 1,500 paired utterances, we measure 5.20% WER (95% CI: 4.69--5.78) on clean speech and 7.70% (7.04--8.35) on reverberant versions, corresponding to a paired increase of 2.50 percentage points (2.06--2.98). This represents a 48% relative degradation. WER increases monotonically with RT60 and decreases with DRR, consistent with prior perceptual studies. While the core finding that reverberation harms recognition is well established, we aim to provide the community with a standardized resource where acoustic conditions are transparent and results can be verified independently. The repository includes one-command rebuild instructions for both Windows and Linux environments.

研究の動機と目的

• 各ファイルに対して RT60、DRR、C50 の地盤データ注釈を備えた標準化・再現可能な残響音声コーパスを提供する。
• オープンソースのスクリプトを用いて音声の再生成、指標、評価結果を正確に再現できるようにする。
• 現代的なモデル（Whisper small）を用いて残響によるASRの劣化を定量化し、音響パラメータ間の傾向を分析する。
• 話者で層別化された訓練/開発/テストの分割を提供し、頑健なモデル評価と公正な比較を可能にする。

提案手法

• RIR-Mega コレクションの約5,000 個の RIR を LibriSpeech dev-clean および test-clean の発話に畳み込み、総計約53,230 件の残響ファイル、合計117.5時間を作成する。
• 畳み込み前の元の RIR から RT60（Schroeder 後向き積分）、DRR（2.5 ms 直接窓）、C50 を計算し、普遍的メタデータ CSV に格納する。
• 音声再生・指標計算・すべての評価結果の再現コードを提供し、Windows および Linux 用のワンコマンドスクリプトを用意する。
• Whisper small を用いて1,500 ペアのクリーン-リバーブ発話でASRを評価し、ペアの WER とブートストラップ信頼区間を取得する。
• 大音量正規化と付加ノイズによるアブレーションを行い、頑健性と知覚的重要性を評価する。

Figure 1: RT60 distribution across all reverberant files. Most files fall between 0.2 and 0.8 seconds.

実験結果

リサーチクエスチョン

• RQ1 残響は、ペアとなるクリーンおよびリバーブ発話の ASR性能（WER）にどのように影響するか。
• RQ2 RT60 と DRR は WER にどのように影響し、それらはリバーブ条件でどのように相互作用するか。
• RQ3 正規化や付加ノイズは、このコーパスにおける WER への残響効果を修正するか。
• RQ4 音響メタデータ付きで、再現可能なデ dereverberation および頑健なASR研究のベースラインを提供できるか。

主な発見

条件	WER（%）
クリーン	5.20 (4.69–5.78)
リバーブ	7.70 (7.04–8.35)
対となる Δ WER	+2.50 (2.06–2.98)
相対増分	+48.2%

• Whisper small はクリーン音声で5.20%の WER、リバーブ版で7.70% の WERを示し、1,500 ペアの発話で（95% CI: 4.69–5.78 と 7.04–8.35）。
• リバーブによる WER の増加は 2.50ポイント（95% CI: 2.06–2.98）、相対で 48.2% の増加。
• WER は RT60 とともに単調に上昇（0.2–0.4 s で約6%、1.0–1.2 s で約10%程度）、DRR が高いほど低下し、DRR が大きいとクリーンに近いレベルで安定。
• 500件のアブレーションでは loudness normalization の影響は決定的でない一方、SNR 10–15 dB の白色雑音追加は WER を ~31% に劇的に増加。
• 誤り分析では、RT60 >0.8 s および DRR < -5 dB のケースが最も難しく、誤りの多くは音素置換や機能語の省略。

Figure 2: DRR distribution using a 2.5 ms direct-only window. The long tail toward negative values reflects weak direct arrivals in some simulated RIRs.