狭帯域包絡線間相関を用いた 話者識別における帯域と識別率の検討

Presentation on theme: "狭帯域包絡線間相関を用いた 話者識別における帯域と識別率の検討"— Presentation transcript:

1 狭帯域包絡線間相関を用いた 話者識別における帯域と識別率の検討
小橋川美共，末廣一美，髙岡創，高山泰典（日本文理大学） 西村一行（千葉工業大学 ），福島学，岡本壽夫（日本文理大学） 柳川博文（千葉工業大学 ）

2 狭帯域包絡線間相関を用いた話者識別 amp.(dB) amp.(dB) amp.(dB) time (ms) 1 0.5 -0.5 -1
-0.5 -1 20 40 60 80 100 120 amp.(dB) 1 0.5 -0.5 -1 20 40 60 80 100 120 amp.(dB) 1 0.5 -0.5 -1 20 40 60 80 100 120 time (ms)

3 処理の流れ 1/4 Oct.分割した音声時間波形 ヒルベルト変換して求めた包絡線 dB変換（-30dBで打ち切り） 狭帯域包絡線間相関係数
b ： 39バンド 28.9Hz～ 20749Hz time ( s ) -0.04 -0.02 0.02 0.04 0.2 0.4 0.6 0.8 1 amplitude 0.04 0.02 -0.02 -0.04 0.2 0.4 0.6 0.8 1 time ( s ) ヒルベルト変換して求めた包絡線 -0.04 -0.02 0.02 0.04 0.2 0.4 0.6 0.8 1 time ( s ) amplitude 0.04 0.02 -0.02 -0.04 0.2 0.4 0.6 0.8 1 time ( s ) dB変換（-30dBで打ち切り） time ( s ) -30 -20 -10 0.2 0.4 0.6 0.8 1 amplitude(dB) -10 -20 -30 0.2 0.4 0.6 0.8 1 time ( s ) 狭帯域包絡線間相関係数

4 正解率＝識別候補が本人となった回数/識別条件数
狭帯域包絡線間相関係数行列 帯域を制限 ↓ 正解率の 変化を調べる DB 識別対象 識別候補：　　　の最大値 正解率＝識別候補が本人となった回数/識別条件数

5 登録語と識別語の音素分布 ＋：登録語（個数は上段の数） ×：識別語（個数は下段の数） 分布に偏りがない V：Vowel 母音
33 68 11 　　　27 11 　　　11 V：Vowel 母音 N：Nasal 鼻音 Fl：Fricative voiceless 摩擦音（無声） Fv：Fricative voiced 　摩擦音（有声） Sl：Stop voiceless 　閉鎖音（無声） Sv：Stop voiced 　閉鎖音（有声） Ca：Central 　　　　 approximant 　　　　　　　中央近接音 Q：Geminate 　　　　　consonant 　　　　　　　　　　　　促音 －：Long vowel 　長音 　 8 　　　　 0 11 15 10 a i 　 0 　11 8 Vowel u 11 　 　 　 　　 e 11 0 　 0 11 11 11 9 0 　 　 　 o V N’ n ny m my s sh h hy f z j k ky t ts p py ch g gy d dy b by ry y r w Q － Ｎ Fl Fv Sl Sv Ca Consonant ＋：登録語（個数は上段の数） ×：識別語（個数は下段の数） 分布に偏りがない

6 帯域増加と平均正解率 14 31 6 22 重要帯域：帯域番号６～１４，２２～３１ C Stop band number 5 10 15
20 25 30 35 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Stop band number C 6 14 22 31 2 39 重要帯域：帯域番号６～１４，２２～３１

7 帯域減少と平均正解率 6 14 22 31 重要帯域：帯域番号６～１４，２２～ C Starting band number 1 0.9
0.8 0.7 0.6 6 C 0.5 14 0.4 22 31 0.3 0.2 0.1 1 5 10 15 20 25 30 35 38 Starting band number 重要帯域：帯域番号６～１４，２２～

8 帯域増加と帯域減少の平均正解率 帯域増加 帯域減少 変化した点が同じ 重要帯域：帯域番号６～１４，２２～３１

9 全39帯域を使用した正解率の比較 % 88% 86% 83% fs 範囲 100% 25% 21% band数 100% 67% 49%
90 80 70 60 % 50 40 平均正解率 fs 範囲 band 数 30 20 10 1-39 6-31 6-14 22-31 band number 88% 86% 83% fs 範囲 100% 25% 21% band数 100% 67% 49%

10 第2フォルマント 周波数の 1091Hz～4000Hz (帯域番号22～30)
結果の検討（高い周波数範囲の検討） 帯域番号22～31（1091Hz～5187Hz） 4.0 3.8 3.4 3.0 /i/ 2.5 /e/ 2.2 2.0 1.8 The second formant F 2 (kHz) /a/ 1.5 1.4 第2フォルマント 周波数の 1091Hz～4000Hz (帯域番号22～30) /u/ 1.0 0.8 /o/ 0.6 0.2 0.5 1.0 1.4 The first formant F 1 (kHz)

11 結果の検討（高い周波数範囲の検討） 帯域番号22～31（1091Hz～5187Hz） 高い周波数範囲 低い周波数範囲（6～14）
前頭洞 約8cm3 上顎洞 低い周波数範囲（6～14） 蝶形骨洞 声帯音源基本周波数 男性：約100Hz～150Hz 女性：約250Hz～300Hz (帯域番号6～14) 副鼻腔共振周波数・声帯音源基本周波数

12 データによるばらつきの検討 CA 識別語に共通性 Talker Band No. 88% 86% 83% ＋ 1-39 × 6-31
□ 6-14 　 22-31 0.95 88% 86% 83% 0.9 0.85 CA 0.8 0.75 0.7 0.65 0.6 0.55 0.5 All A E K M N SA SB SC TA TB Y Talker 識別語に共通性

13 正解率が高い識別語(ネットサーフィン：上段)
0.2 0.4 0.6 0.8 1 -15 -10 -5 amplitude (dB) ne n' to s a fi 平均時間(s) ne 0.132 n’ 0.109 time( ) s 正解率が高い識別語(ネットサーフィン：上段) mi to ko mo n' 平均時間(s) mi 0.096 mo 0.095 n’ 0.072 -5 amplitude (dB) -10 -15 0.2 0.4 0.6 0.8 1 time( ) s 正解率が低い識別語(水戸黄門：下段) 鼻音の継続時間

14 まとめ 声帯音源基本周波数 約100～300Hz 帯域番号6～14
第2フォルマント周波数・ 副鼻腔共振周波数 　約1100Hz～5400Hz 　帯域番号22～31 正解率のばらつき 　鼻音の継続時間に関連 周波数範囲で21%，帯域数で49%に制限

15

16 1/4オクターブバンドの中心周波数

17 1/4オクターブバンド狭帯域フィルタ 狭帯域フィルタ：FIRフィルタ 長さ：2048サンプル ：44100Hz
3 4 -40 -35 -30 -25 -20 -15 -10 -5 Freq. (Hz) amplitude (dB) 周波数分解：21.5Hz フィルタ長：約46ms 音声の狭帯域包絡線を100msで区切る ⇒声帯音源波 　約4周期が対象

18 話者を識別するシステムに用いた登録語・識別語
登録語 1）青い空 （aoisora） 2）映画鑑賞 （eigaka n‘shou） 3）石田一成 （ishida issei） 4）マイホーム計画 （mai ho-mu keikaku） 5）無人島探索 （muji n’tou tansaku） 1語/約1秒 1人/約5語 計55語（登録者全員共通） 識別語：登録語と異なる語 1）松坂大輔 （matsuzaka daisuke） 2）メール機能 （me-ru kinou） 3）目から鱗 （mekara uroko） 4）水戸黄門 （mito koumo n‘） 5）モーニング娘 （mo-ni n’gu musume） 6）中山きんにくん （nakayama kin‘niku n’） 7）ネットサーフィン （netto sa-fi n‘） 8）猫死んじゃった （neko shi n’jatta） 9）猫踏んじゃった （neko fu n‘jatta） 10）日本沈没 （niho n’ chi n‘botsu） 11）忍たま乱太郎 （ni n’tama ra n‘tarou） 12）ノストラダムス （nosutora damusu） 13）のんびり屋 （no n’biriya） 14）上田晋也 （ueda shi n‘ya） 1語/約1秒 1人/約8語 計82語（登録者により異なる）

19 corrective judgement ratio
100% netto sa-fi n' mo-ni n'gu nosutora damusu musume 90% mekara uroko neko fu n'jatta 80% nakayama kin'niku n' ueda shi n'ya neko shi n'jatta corrective judgement ratio 70% matsuzaka daisuke 60% mito koumo n' no n'biriya 50% 40% niho n' chi n'botsu 30% 1 2 3 4 5 6 7 8 9 10 11 number of subjective word

20 狭帯域分割した音声時間波形のスペクトル 片側スペクトルとなる　　　　　の解析的信号表現 狭帯域分割した音声時間波形の包絡線 ヒルベルト包絡線

21

22 全39帯域を使用した正解率の比較 約2％ 約5％ 88% 86% 83% C band number 1 0.95 0.9 0.85 0.8
0.75 83% 0.7 1-39 6-31 band number

23 データによるばらつきの検討 CA 識別語に共通性 Talker 88% 86% 83% Band No. ＋ 1-39 × 6-31
0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1 All A E K M N SA SB SC TA TB Y Band No. ＋ 1-39 × 6-31 □ 6-14 　 22-31 CA 88% 86% 83% Talker 識別語に共通性

24 The first formant F(kHz)
The second formant F(kHz) 0.6 0.8 1.0 1.4 1.5 1.8 2.0 2.2 2.5 3.0 3.8 4.0 3.4 0.2 0.5 /e/ /i/ /u/ /o/ /a/

25 正解率が高い識別語(ネットサーフィン：上段)
ne to s a fi n' 161 139 ms -5 ms amplitude (dB) -10 -15 0.2 0.4 0.6 0.8 1 正解率が高い識別語(ネットサーフィン：上段) mi to ko mo n' 95 ms -5 amplitude (dB) -10 -15 0.2 0.4 0.6 0.8 1 time ( s ) 93 61 ms ms 正解率が低い識別語(水戸黄門：下段) 鼻音の継続時間

26 登録語と識別語の音素分布 ＋：登録語（個数は上段の数） ×：識別語（個数は下段の数） V：Vowel 母音 N：Nasal 鼻音
Ｎ Fl Fv Sl Sv Ca V N’ n ny m my s sh h hy f z j k ky t ts p py ch g gy d dy b by ry y r w Q － o e u i a 　 8 　　　　 0 11 15 10 　 0 　11 8 11 　 　 　 　　 11 0 　 0 11 9 0 　 　 　 33 68 11 　　　27 11 　　　11 V：Vowel 母音 N：Nasal 鼻音 Fl：Fricative voiceless 摩擦音（無声） Fv：Fricative voiced 　摩擦音（有声） Sl：Stop voiceless 　閉鎖音（無声） Sv：Stop voiced 　閉鎖音（有声） Ca：Central 　　　　 approximant 　　　　　　　中央近接音 Q：Geminate 　　　　　consonant 　　　　　　　　　　　　促音 －：Long vowel 　長音 Vowel Consonant ＋：登録語（個数は上段の数） ×：識別語（個数は下段の数）

27 帯域番号12 帯域番号22 time ( s ) amplitude amplitude amplitude time ( s )
0.05 0.04 time ( s ) -0.04 -0.02 0.02 0.04 0.2 0.4 0.6 0.8 1 amplitude 0.04 0.02 0.03 amplitude 0.02 amplitude 0.01 -0.02 -0.04 -0.01 0.2 0.4 0.6 0.8 1 -0.02 time ( s ) -0.03 -0.04 -0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0.04 -0.04 -0.02 0.02 0.04 0.2 0.4 0.6 0.8 1 time ( s ) amplitude time ( s ) 0.02 amplitude -0.05 -0.04 -0.03 -0.02 -0.01 0.01 0.02 0.03 0.04 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 time ( s ) amplitude -0.02 -0.04 0.2 0.4 0.6 0.8 1 time ( s ) time ( s ) -30 -20 -10 0.2 0.4 0.6 0.8 1 amplitude(dB) -10 amplitude(dB) -20 -30 0.2 0.4 0.6 0.8 1 time ( s ) -30 -25 -20 -15 -10 -5 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 time ( s ) amplitude(dB) 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

28 処理の流れ 1/4 Oct.分割した音声時間波形 ヒルベルト変換して求めた包絡線 dB変換 狭帯域包絡線間相関係数 ： の最大値
b ： 39バンド（28.9Hz～20749Hz） ヒルベルト変換して求めた包絡線 dB変換 ：　　　　の最大値 狭帯域包絡線間相関係数