複数の特徴量による条件付確率場に基づく音声区間検出

摘要

実環境下での音声認識では，認識性能の向上のために音声区間検出（Voice Activity Detection；VAD）が用いられる.しかし従来用いられている手法では，雑音環境に依存してしまい安定して高い区間検出正解率が得られていない.そこで本研究ではあらゆる雑音環境で頑健なVADを実現するために，複数の特徴量を柔軟に扱うことのできる条件付確率場を用いたVADを提案する.提案手法では特徴量であるGMM対数尤度，振幅，基本周波数，零交差数，GMM事後確率を入力,音声/非音声ラベルを出力として人力と出力の関係を素性関数を用いて表現する.素性関数にかかる重みを学習により適切に割り振ることで，音声/非音声状態において状態遷移パターンごとに有効な特徴量に大きな重みを与えることができるためVADの精度の向上が期待できる.CENSREC-1-C実環境下音声データによる評価実験において，提案法の有効性を確認した.%Voice Activity Detection (VAD) which is a technique to distinguish between speech and non-speech is used in noisy environments and an important component in many real-world speech applications. In this paper, we propose a VAD algorithm based on Conditional Random Fields (CRF) with multiple features, e.g., amplitude, f_0 and the likelihood of GMMs. In the proposed method, the relation between input features and output speechon-speech labels is represented by feature functions, and the posterior probability of output labels is directly modeled by the weighted sum of the feature functions. By estimating appropriate weight parameters, effective features are automatically selected for improving the performance of VAD. Experimental results on CENSREC-1-C database show that the proposed method can decrease error rates by using conditional random fields.