スペクトル距離に基づく声道長正規化のための周波数帯域の選定について

摘要

母音のスペクトル形状は，主要な要因である声道長に加え，声道音源波形や梨状裔による零などの影響により個人毎に大きく異なっている．この個人差を取り除くことは，高品質な音声モーフィングの実現や音声認識における重要な課題である．本研究では，この主要な変動要因である声道長比の推定精度を改善する方法を検討した．スペクトル距離に基づく声道長比の推定において，声道長比の影響が支配的である周波数帯域を選択することにより，推定精度を改善できると考えられる．実験では，28名により読み上げられた文音声の全ての鼠合せから推定された相対的な声道長を真値と仮定し，周波数帯域と推定精度との関係を調べた．その結果，MFCCの計算に用いられるフィルタ出力の対数スペクトル距離とその周波数方向の導関数の距離とを合成した距離を400Hzから4000Hzの周波数帯域で評価した場合に，最良の結果が得られることが示された．%Normalization of speaker dependent spectral differences is an important issue in speech applications, such as automatic speech recognition and high-quality voice morphing. Individual spectral differences are primarily dependent on vocal tract length differences. They are also dependent on glottal source signal and the shape of pyriform fossa. This article investigates effects of frequency range selection on spectral distance-based vocal tract length normalization (VTLN). It is based on an idea that the best VTLN performance can be attained by selecting frequency region where spectral differences are virtually exclusively determined by differences of vocal tract length. All combination of utterances spoken by 28 subjects were used to calculate estimates of their relative vocal tract lengths, which are used as the tentative "true" lengths to evaluates deviation of each VTL ratio estimation based on spectral distances. The test results revealed that the best performance is yielded by selecting frequency region spanning from 400 Hz to 4000 Hz, using an integrated logarithmic spectral distance using outputs of MFCC filter bank and their frequency derivatives.