非同期マルチチャネル信号を用いた単語音声認識のための信号強調NTPによるチャネル間同期法の検討

摘要

発話訓練システム等に応用される自動音声認識システムは，周囲の発話など雑音により認識性能が劣化する。これを防ぐため，我々はこれまでTCP／IPネットワークで接続された各端末のマイクロホンを用いた音声強調手法を提案してきた。これは，各端末で得られた非同期マルチナヤネル信号をコヒーレンスを用いて遅延補正し，周波数領域でフィルタリングする手法で，これまで計算機上でのシミュレーションにより有効性が示唆されている。しかし本手法ではコヒーレンスによる遅延補正性能が安定しない問題があった。そのため，本稿では音声信号の遅延補正にNTPを用いて性能の検討を行う。提案した手法は複数話者が同時に発話する条件下で認識率を改善した。%An utterance training system utilizing automatic speech recognition (ASR) was proposed as a computer aided language laboratory system. Performance of the ASR is seriously degraded due to surround noise. A time-frequency masking method utilizing signals observed at distributed computers over TCP/IP network was proposed to overcome the problem. The lag time correction method using coherence was proposed, however, the performance was insufficient . In this paper, network time protocol (NTP) is utilized to synchronize speech signals with more precision. Accuracy of time synchronization between speech signals utilizing NTP is measured. The proposed speech enhance method improved the performance of spoken word recognition rate under multiple speakers condition.