ニューラルネットワークによる音源方向補正に基づく目的音源抽出のための適応ビームフォーマ

摘要

本研究では，複数音声が混合した信号から方向情報に基づいて所望の音声を強調することを目的とし，ニューラルネットワークによる音源方向補正に基づく時間周波数マスクを用いた，マルチチャネル適応ビームフォーマを提案する．従来のマイク間の位相差に基づく音源方向推定では，マイク配置のズレや反響により方向推定結果の信頼性が下がるが，提案するニューラルネットワークでは，調波構造など，音声の特徴的な周波数構造を元に，ある周波数で誤った音源方向推定結果を他の周波数の方向推定結果から補正する．時間周波数マスクは音源方向推定結果に基づき，所望方向から到来する音声のみを通過させる．ニューラルネットワークは特定のマイクロホンアレイを用いて学習されるが，マイク配置依存の情報を落とした特徴量を入力することで，任意のマイクロホンアレイに適用できる．実験の結果，提案法は時間周波数マスクをより正確に推定でき，方向推定結果の補正前よりも歪みを少なく目的音を強調することを確認した．特に，既存の音源方向推定の精度が下がる直線アレイの端方向に所望方向がある時，音声強錮性能を大きく改善することを示した．