DNET_SpeechProcessing

音声処理

• 戻る（要素技術）
  • 言語処理
  • 音声処理
    • 音声処理（AI）
  • 画像処理

概要

音声処理について纏める。

音声合成

...

音声認識

音声認識とは？

音声

• 音声は、波形・スペクトルの系列データ。

• 正弦波の加算で合成が可能 → 分解も可能（高速フーリエ変換）。

• A/D変換

  • 標本化（サンプリング）
  • 量子化（加工）
  • 符号化（2進数）

• 音韻・音素

  • 音韻：言語として認識される音の体系
  • 音素：ある言語の音声を音韻論的に考察して得た単位
    （音韻論で仮定された言語音の単位）

認識

• 音声分析（音声処理（AI）の該当節を参照）
  ウィンドウをズラして行って特徴ベクトル列を求める。

• コレを計算機で処理
  音素 → 音韻 → かな → 単語 → 文 → コマンド

  • 音声認識：音素 → 音韻 → かな → 単語

    • HMM（隠れマルコフモデル）（音声処理（AI）の該当節を参照）
    • DNN（ディープ・ニューラルネットワーク）（音声処理（AI）の該当節を参照）

  • バックエンドシステム：単語 → 文 → コマンド

音声認識の難しさ

系列の対応付け

複雑な長さが異なる系列の対応付け
（フレーム、音素、音節、単語）

• 系列長が極端に異なる。
• 非線形な時間短縮
• セグメント境界が曖昧

音響的特徴

• 時間分散して埋め込まれる。

• 文脈依存（音響的特徴と聞こえの関係が多対多）

  • 同じ音響的特徴の音が、文脈に応じて違う音に聞こえる。
  • 違う音響的特徴の音が、文脈に応じて同じ音に聞こえる。
  • 物理的にない音を与えたり、物理的にある音を削ったり。

処理方法

新・旧、２つの方法があるが根幹をなす考え方は普遍的。

生成モデル（旧）

ベイズ統計のHMM（隠れマルコフモデル）
（音声処理（AI）の該当節を参照）を使う。

識別モデル（新）

深層学習のDNN（ディープ・ニューラルネットワーク）
（音声処理（AI）の該当節を参照）を使う。

移行メモ：A/D変換と音素の説明にあった閉じ括弧の欠落を補った。

---

Tags: 移行, 要素技術, 音声処理, 音声認識, 音声合成, HMM, DNN