| 研究実績の概要 |
音声対話システムでは，入力音声が音声認識対象と見なされるため，そうでない音声が観測された場合，適切に処理できず．ちぐはぐな応答になることが多い．そこで，音声自体を利用し，周囲状況を推定し，システム全体でより適切な応答ができるような技術を検討する．具体的には，単一マイクロホンにおいて，音声から空間伝達特性を推定することで，発話者の口からマイクまでのおよその距離を推定する．距離ごとに空間伝達特性のテンプレートを用意しておく．あらかじめ用意した雑音のないクリーン音声モデルと入力音声との周波数特性の差分を推定する．この差分が空間伝達特性となり，テンプレートとの照合により，最も近いものが示す距離が推定された距離となる．クリーン音声モデルとしてはデータベースから構築されたVQコードブックのセントロイドを用いた．入力音声の周波数特性に最も近い，セントロイドを選択し，その差分が空間伝達特性とした．クリーン音声に空間伝達特性をかけて作成したシミュレーションでは全体で７割程度の精度が得られるが，実際に収録した音声では，比較的近くの音声に対しては精度が高いが，それ以外では正しく推定できなかった．そこで，手法を検討し直し，近年パターン認識で成功しているDeep Neural Network (DNN)を用いることにした．基本的なDNNであるDeep Belief Network (DBN)を用いて，数十msの音声フレームごとに距離を識別，全フレームのラベルを多数決で距離を決定することとする．DBNでは大変パラメータも多く，検討項目が多くなるため，今回は0.2, 5 mのみの識別を行なった．F値で8割程度の性能が得られた．今後，より多くの距離を含む音声や特徴量，ニューラルネットワークの形状，などの検討を行なっていく予定である．
|
