距離マトリクス画像のハフ変換を用いた単語音声区間検出

摘要

本報告では，入力音声と標準パターンを両軸とし，交点座標における距離値をピクセルの明るさで表現した距離マトリクス画像をハフ変換することで得られる直線から，単語音声区間を推定する手法を提案する．認識対象となる単語音声の前後に認識対象外の音声が付加されている場合，従来は連続DPや連続音素認識などを応用してワードスポッティングを行う方法が提案されてきたが，入力音声長が長くなると計算量が爆発的に増大することが問題となっていた．本研究では，発話音声中に認識対象単語が含まれていると，距離マトリクス画像中に，距離の近い領域が直線状に現れることを利用し，これを画像のハフ変換により直線として検出するとともに，検出された直線から音声の始端と終端を得る方法を提案する．本方式を用いて，100都市名の区間検出実験を行った結果，対象音声区間の始端の検出誤差が最大で120ms，終端の誤差は最大で70msであることを確認し，認識精度を落とすことなく，計算時間を低減できる本手法の有効性を検証した．%In this report, using an input voice and a standard patterns as both axes, the analysis method that uses the distance matrix image where the distance value in the intersection coordinates expresses the brightness of the pixel is proposed. In case that a standard pattern is included in the input atterence, line area is obeseved in the distance matrix image. The line area is detected by the Hough transform of the distance matrix image. This idea was confirmed by the experiment of JEIDA 100 cities. The largest error of the beginning point was 120ms at most and the ending point was 70ms.