経験的モード分解と変調スぺクトル分析を用いた音声区間検出の耐性向上に関する検討

摘要

Voice activity detection (VAD) is used to detect speechon-speech periods in observed signals. However, current VAD technique has a serious problem in that the accuracy of detection of speech periods drastically reduces if it is used for noisy speech and/or for mixtures of speechon-speech. We proposed a robust VAD using empirical mode decomposition (EMD) and modulation spectrum analysis (MSA) to resolve these problems (method A). EMD is used to decompose the observed signals into intrinsic mode functions (IMFs). Then, speechon-speech periods are determined from resynthesize non-stationary IMFs by using MSA. Method A detected speech periods more correctly than conventional method. However, Fales detection was not able to be lost completely. This paper examined the techniques that raise robustness of method A. We proposed VAD that is detected from each IMFs by MSA(method B). As a result of evaluation, method B was able to do VAD which was more exact and stabilize (detection accuracy is not influenced by an analysis signal) than the method A. It has checked that robustness was improving.%音声区間検出（VAD)は，観測信号の音声/非音声区間を検出する技術である.しかし，現在のVAD技術には，目的音声以外に背景雑音や非音声信号が混在する環境では，検出精度が著しく低下するという重大な問題がある.これまでに著者らは，この問題を解決するため，観測信号を経験的モード分解により固有モード関数（IMF) に分解し，その後，非定常成分のIMFから再合成した信号に対して変調スぺクトル分析を行うVAD法の提案を行つた（提案法A).提案法Aは背景雑音や非音声信号の存在する環境で，従来法より優れた精度で音声区間を検出できたが，誤受理率や誤棄却率を完全には無くせなかった.本論文では，提案法Aの耐性を向上させる手段を検討した.その結果，非定常なIMFを再合成せず，各IMFから音声区間を検出する手法を提案する（提案法B).評価の結果，非定常な背景雑音がある環境で，提案法Bは提案法Aより正確かつ信号の種類に検出精度の左右されない音声区間検出を行うことができ，耐性が向上していることを確認できた.