インパルス応答を用いた深層ニューラルネットワークによる残響下音声認識性能予測

摘要

近年の機械学習の技術革新によって，音声認識シスrnテムの認識精度が飛躍的に向上している．これに伴っrnて，対話ロボットやスマートスピーカなどの音声認識rn技術を搭載した情報機器の開発が積極的に進められrnている．このようなハンズフリー環境での音声対話でrnは，実環境下で利用者がマイクロホンから離れて発話rnした際に，室内残響などの外乱の混入の影響を受けてrn音声認識性能が低下するという問題がある．これまでrnに実環境下で音声認識性能を向上させるための外乱rn対策が数多く提案されている．しかし，利用環境rnに存在する外乱を容易に特定できない場合においてrnは，これらの外乱対策を適切に講じることが難しく，rn音声認識性能の大幅な改善までは期待できない. このrnような問題に対して実環境における音声認識性能のrn予測に関する研究に高い注目が集まっている．事前にrn発話環境が与える音声認識性能の劣化を予測し，そのrn結果に基づいて音声認識性能の改善策を前処理などrnに反映させることができれば，その環境に最適な音声rn認識システムを提供できる．これまでの音声認識性能rnの予測手法として，入出力間のインパルス応答と室rn内音響指標を用いた残響指標RSR-D_n(ReverberantrnSpeech Recognition criteria with D_n) が提案され，rn残響環境下において高い音声認識性能の予測精度をrn達成している．この従来研究では，音声認識性能とrn高い相関を有する初期反射と後続残響のエネルギーrnのバランスに着目し，それを表現できる室内音響指rn標を使って音声認識性能を予測している．ここで，近rn年著しい進歩を遂げている深層学習を用いて音声認rn識性能の予測に有効な特徴量をインパルス応答からrn抽出することで，音声認識性能予測の更なる精度向rn上が期待される．そこで本稿では残響環境下で計測rnしたインパルス応答から音声認識性能を予測できるrn深層ニューラルネットワークを構築して，このネットrnワークを用いた音声認識性能の予測精度を検証する．