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 (s) 1 0.5 -0.5 -1 20
-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 (s)

3 処理の流れ 1/4 Oct.分割した音声時間波形 ヒルベルト包絡 dB変換 ：－30dBで打切り ：　　　　の最大値 狭帯域包絡線間相関係数

4 狭帯域包絡線間相関行列 帯域を制限 　　→　正解率の変化を調べる 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） V：Vowel 母音 N：Naal 鼻音
33 68 11 　　　27 11 　　　11 V：Vowel 母音 N：Naal 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 Vowel 8 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）

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

7 帯域減少と平均正解率 6 14 22 31 帯域番号６～１４，２２～３１ C first 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 5 10 15 20 25 30 35 first band number 帯域番号６～１４，２２～３１

8 全39帯域を使用した正解率の比較 約3％ 約７％ 88.3% 85.9% 82.5% C band number 1 0.95 0.9
0.85 0.8 88.3% 85.9% 82.5% 0.75 0.7 1-39 6-31 band number

9 第2フォルマント 周波数 600Hz～4000Hz (帯域番号18～30)
調査結果の検討（高い周波数範囲の検討） 帯域番号22～31（1091Hz～5187Hz） 4.0 3.8 3.4 The second formant F(kHz) 3.0 /i/ 2.5 /e/ 2.2 2.0 1.8 /a/ 1.5 第2フォルマント 周波数 600Hz～4000Hz (帯域番号18～30) 1.4 /u/ 1.0 0.8 /o/ 0.6 0.2 0.5 1.0 1.4 The first formant F(kHz)

10 調査結果の検討（高い周波数範囲の検討） 帯域番号22～31（1091Hz～5187Hz） 鼻腔概略図・声帯音源基本周波数
frontal sinus maxillary sinus sphenoidal sinus 声帯音源基本周波数 成人男性：100～150Hz 成人女性：250～300Hz (帯域番号6～14) 副鼻腔共振周波数 3103～5398Hz (帯域番号28～31) 鼻腔概略図・声帯音源基本周波数

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

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

13 まとめ 声帯音源基本周波数 　成人男性：100～150Hz 　成人女性：250～300Hz 　 帯域番号6～14　→ 声帯音源 第2フォルマント周波数 　600Hz～4000Hz 帯域番号18～30 → 第2フォルマント 副鼻腔共振周波数 前頭洞：3103～5398Hz 　 帯域番号28～31 → 副鼻腔形状 個人のばらつきは継続時間に関連

14

15 1/4オクターブバンドの中心周波数

16 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) 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 Amplitude (dB)

17 　：b帯域の音声時間波形 　：狭帯域フィルタ b 　：帯域番号 n 　：離散時刻に相当するサンプル番号 M　：狭帯域フィルタの長さ

18 5 10 15 20 25 30 35 40 -0.4 -0.2 0.2 0.4 0.6 0.8 1

19 図8　鼻腔概略図 maxillary sinus frontal sinus sphenoidal sinus

20 狭帯域包絡線間相関係数 ： x の分散 ： X の平均 N ：　　の長さに相当するサンプル番号