重畳音声分離に向けた聴覚脳神経学の知見に基づくラダー型ニューラルネットワークの設計

摘要

重畳した複数話者の音声から所望の音声を抽出する音源分離と再 構成は，議事自動生成等への応用が期待される．従来の重畳音声ス ペクトル比を教師データとする方式では，所望音声の分離後再構成 音の信号対ひずみ比（SDR）で後段の音声認識等で必要とする10dB を満たせない． それに対して，霊長類や哺乳類には本来，同時に発声する外部の 音源を聴覚脳神経系で聞き分ける能力がある．この能力は，聴覚音 声特徴量と時間同期性とに依存していることが知られている[1]．聴 覚音声特徴量とは，外界音声を聴覚システムが分析して得る特徴量 を指し，時間同期性とは，多数の聴覚音声特徴量時間系列の発生開 始時間および終了時間が類似の時間点に収束している状態をいう． 聴覚は複数の外界音源の時間同期性が互いに異なることを利用し， 時間同期性を有する聴覚音声特徴量群を同一音源としてグルーピン グすることにより，異なる同期性の特徴量群を別音源として分離す る．本稿では，これを時間同期性検知クラスタリングと呼ぶ．