DE112013000942T5

DE112013000942T5 - Rauschminderungsverfahren, Programmprodukt und Vorrichtung

Info

Publication number: DE112013000942T5
Application number: DE112013000942.0T
Authority: DE
Inventors: c/o IBM Tokyo Laboratory IBM Jap Ichikawa Osamu; c/o IBM Corporation Rennie Steven J.
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2012-03-09
Filing date: 2013-02-08
Publication date: 2014-12-24
Also published as: GB201415522D0; CN104205214B; CN104205214A; JPWO2013132959A1; WO2013132959A1; GB2513812A; GB2513812B

Abstract

Problem Eine Aufgabe der vorliegenden Erfindung besteht darin, eine neuartige Technik zur Rauschminderung auf der Grundlage von Modellen für die Spracherkennung bereitzustellen. Problemlösungsmittel Die vorliegende Erfindung erzeugt in einer Rauschkompensation auf der Grundlage von Modellen ein Wahrscheinlichkeitsmodell, das als Produkt der Wahrscheinlichkeitsverteilung eines Diskrepanzvektors g (bzw. der reinen Sprache x) dargestellt ist, wobei der beobachtete Wert y als Faktor und die Wahrscheinlichkeitsverteilung des Diskrepanzvektors g (bzw. der reinen Sprache x) mit dem Konfidenzindex β für jedes Band als Faktor auftreten, führt eine MMSE-Schätzung am Wahrscheinlichkeitsmodell durch und schätzt einen Schätzwert reiner Sprache x^. Demzufolge beeinflusst jedes Band das Ergebnis der MMSE-Schätzung, wobei das Ausmaß des Beitrags mit seinem Konfidenzniveau übereinstimmt. Ferner gilt, dass der Ausgabewert umso mehr zum beobachteten Wert hin verschoben wird, je höher das Signal/Rausch-Verhältnis der beobachteten Sprache ist. Demzufolge wird die Front-End-Ausgabe optimiert.

Description

Technisches Gebiet
Die vorliegende Erfindung betrifft Spracherkennungstechniken und insbesondere Rauschminderungstechniken.
Stand der Technik
Bei Spracherkennungstechniken spielt das Problem, die Auswirkungen von Hintergrundrauschen zu beseitigen, beim Verbessern der Genauigkeit des Erkennens von Sprachäußerungen eine wichtige Rolle. Filtertechniken nach dem Stand der Technik (z. B. ein Verfahren der spektralen Subtraktion und Anwenden des Wiener-Filters) sind bei relativ schwachem Hintergrundrauschen in gewissem Maße erfolgreich, erzielen aber nicht die gewünschten Ergebnisse bei starkem Hintergrundrauschen, da die zu erkennende Sprache im Rauschen versinkt.
Zu diesem Zweck wurden in den letzten Jahren Ansätze aufmerksam verfolgt, die ein Wahrscheinlichkeitsmodell reiner Sprache (Sprachäußerungen, die nicht von Rauschen jeglicher Art überlagert sind) verwenden. Über diese Rauschminderungsverfahren auf der Grundlage von Modellen wurde berichtet, dass sie eine hohe Wirkung auch bei starker Hintergrundrauschen aufweisen. In Bezug darauf offenbart die japanische Patentanmeldung Nr. 2008-298844 (Patentliteratur 1) ein Spracherkennungssystem, das eine Rauschminderung auf der Grundlage eines Modells anwendet.
Liste der Entgegenhaltungen
Patentschriften

Patentschrift 1 japanische Patentanmeldung Nr. 2008-298844

Offenbarung der Erfindung
Technisches Problem
Eine Aufgabe der vorliegenden Erfindung besteht darin, ein neuartiges Rauschminderungsverfahren bereitzustellen, das auf ein Front-End zur Spracherkennung angewandt wird.
Lösung für das Problem
Die Erfinder haben sorgfältig ein neuartiges Rauschminderungsverfahren untersucht, das auf ein Front-End zur Spracherkennung angewandt wird, und als Ergebnis eine Konfiguration konzipiert, die ein Faktorenmodell mit einem Konfidenzindex für jedes Band der beobachteten Sprache verwendet, und somit die vorliegende Erfindung realisiert.
Das heißt, gemäß der vorliegenden Erfindung wird ein Rauschminderungsverfahren bereitgestellt, das beinhaltet: den Schritt eines Erzeugens eines Konfidenzindexes für jedes Band auf der Grundlage eines Spektrums beobachteter Sprache; den Schritt eines Erzeugens eines Wahrscheinlichkeitsmodells, das als gemischte mehrdimensionale Normalverteilung mit einer Dimension für jedes Band dargestellt ist, wobei jede Normalverteilung als Produkt einer ersten Normalverteilung und einer zweiten Normalverteilung dargestellt ist; und den Schritt eines Schätzens eines Schätzwertes eines Diskrepanzvektors durch Ausführen einer MMSE-Schätzung (Schätzung mit kleinster mittlerer quad ratischer Abweichung) am Wahrscheinlichkeitsmodell und des Ableitens eines Schätzwertes reiner Sprache auf der Grundlage des Schätzwertes des Diskrepanzvektors. Die erste Normalverteilung ist eine Wahrscheinlichkeitsverteilung eines Diskrepanzvektors, die auf der Grundlage der beobachteten Sprache erzeugt wird. Die zweite Normalverteilung ist als eine Funktion definiert, die einen Mittelwert Null aufweist und eine Varianz ausgibt, die einen desto kleineren Wert annimmt, je größer der Konfidenzindex wird.
Außerdem wird gemäß der vorliegenden Erfindung ein Rauschminderungsverfahren bereitgestellt, das beinhaltet: den Schritt eines Erzeugens eines Konfidenzindexes für jedes Band auf der Grundlage eines Spektrums beobachteter Sprache; den Schritt eines Erzeugens eines Wahrscheinlichkeitsmodells, das als gemischte mehrdimensionaler Normalverteilung mit einer Dimension für jedes Band dargestellt ist, wobei jede Normalverteilung als Produkt einer ersten Normalverteilung und einer zweiten Normalverteilung dargestellt ist; und den Schritt eines Ableitens eines Schätzwertes reiner Sprache durch Ausführen einer MMSE-Schätzung am Wahrscheinlichkeitsmodell. Die erste Normalverteilung ist eine Wahrscheinlichkeitsverteilung reiner Sprache, die auf der Grundlage der beobachteten Sprache erzeugt wird. Die zweite Normalverteilung ist als eine Funktion definiert, die einen beobachteten Wert als Mittelwert aufweist und eine Varianz ausgibt, die einen desto kleineren Wert annimmt, je größer der Konfidenzindex wird.
Ferner werden gemäß der vorliegenden Erfindung ein Computerprogrammprodukt, das einen Computer veranlasst, jedes der Verfahren auszuführen, und eine Rauschminderungsvorrichtung bereitgestellt, die Funktionen zum Realisieren jedes der Verfahren implementiert.
Vorteilhafte Wirkungen der Erfindung
Wie oben beschrieben wird gemäß der vorliegenden Erfindung die Ausgabe des Front-End optimiert, indem ein Faktorenmodell mit einem Konfidenzindex für jedes Band der Beobachtungssprache verwendet wird.
Kurzbeschreibung der Zeichnungen
1 ist ein konzeptionelles Schaubild, das die Konfiguration eines Front-End in einem Spracherkennungssystem nach dem Stand der Technik veranschaulicht.
2 enthält konzeptionelle Schaubilder, die die Schritte des Erzeugens einer Mel-LPW(Mel-Lokal-Spitzenwert-Gewichtung) aus dem Frequenzspektrum der beobachteten Sprache veranschaulichen.
3 enthält konzeptionelle Schaubilder, die den Schritt des Erzeugens eines Konfidenzindexes β aus einer Mel-LPW veranschaulichen.
4 ist ein konzeptionelle Schaubild, das die Konfiguration eines Front-End in einem Spracherkennungssystem einer Ausführungsform veranschaulicht.
5 ist ein Ablaufplan, der einen durch das Front-End der Ausführungsform ausgeführten Prozess veranschaulicht.
Art und Weise zum Ausführen der Erfindung
Im Folgenden wird die vorliegende Erfindung unter Bezugnahme auf eine Ausführungsform beschrieben, die in den Zeichnungen veranschaulicht ist. Die vorliegende Erfindung ist jedoch nicht auf die in den Zeichnungen veranschaulichte Ausführungsform beschränkt. Es ist zu beachten, dass in den Zeichnungen, auf die weiter unten Bezug genommen werden soll, gemeinsame Elemente dieselben Bezugszahlen erhalten und deren Beschreibungen entsprechend weggelassen werden.
Im Allgemeinen beinhaltet ein Spracherkennungssystem ein Front-End, bei dem ein Akustiksignal einer Sprachäußerung in bestimmter Weise umgewandelt wird, um einen Merkmalsbetrag zu extrahieren, und ein Back-End, das eine Datenbank auf der Grundlage des im Front-End extrahierten Merkmalsbetrags durchsucht, um den Inhalt der Äußerung zu spezifizieren. Die vorliegende Erfindung stellt eine neuartige Technik bereit, die ein Faktorenmodell mit einem Konfidenzindex des Spektrums beobachteter Sprache zur Rauschkompensation auf der Grundlage von Modellen verwendet, die am Front-End angewandt wird.
<Rauschkompensation auf der Grundlage von Modellen>
Vor dem Beginn der Beschreibung der Ausführungsform der vorliegenden Erfindung wird die auf der Grundlage von Modellen erfolgende Rauschkompensation, die auf das Front-End angewandt wird, anhand von 1 beschrieben. Es ist zu beachten, dass sich in der folgenden Beschreibung „beobachtete Sprache” auf den tatsächlich beobachteten Klang bezieht, bei dem Hintergrundrauschen die Sprachäußerung überlagert; „reine Sprache” sich auf Sprachäußerungen bezieht, die nicht von Rauschen jedweder Art überlagert sind; und ein „Schätzwert reiner Sprache” sich auf einen Schätzwert reiner Sprache bezieht, der aus der beobachteten Sprache geschätzt wird. Außerdem bezieht sich „Frequenzspektrum” auf ein Leistungsspektrum oder ein Amplitudenspektrum.
Bei der Rauschkompensation auf der Grundlage von Modellen handelt es sich kurz gesagt um eine Technik eines Modellierens einer reinen Sprache x als Wahrscheinlichkeitsverteilung p(x|y) von x, wenn ein beobachteter Wert y gegeben ist, und eines Schätzens eines Schätzwertes reiner Sprache x aus dem Wahrscheinlichkeitsmodell p(x|y). Bei der MMSE-Schätzung handelt es sich um eine elementare Technik, die bei der Schätzung in einem nachfolgenden Stadium angewandt wird.
1 veranschaulicht konzeptionell die Konfiguration eines Front-End 500 in einem Spracherkennungssystem nach dem Stand Technik, auf das eine Rauschkompensation auf der Grundlage von Modellen angewandt wird.
Die mit einem Mikrofon erfasste und aufgezeichnete beobachtete Sprache wird von einem A/D-Wandler in ein digitales Signal (Akustiksignal) umgewandelt. Danach wird das digitale Signal mittels einer geeigneten Fensterfunktion einer Einteilung in Segmente (framing) und einer diskreten Fourier-Transformation (DFT) unterzogen und dann für jedes Segment (frame) in ein Frequenzspektrum umgewandelt. Als Nächstes durchläuft das Frequenzspektrum eine Mel-Filterbank (eine Filterbank, bei der die Bandpassfilter in gleichen Intervallen auf der Mel-Skala angeordnet sind), davon werden die Logarithmen übernommen und anschließend in ein logarithmisches Mel-Spektrum umgewandelt und einer Rauschminderungseinheit 502 zugeführt.
Die Rauschminderungseinheit 502 enthält einen auf der Grundlage von Modellen funktionierenden Rauschkompensationsteil 512, einen MMSE-Schätzteil 514 und eine Datenbank 516, in der ein Gauß'sches Mischmodell (im Folgenden als GMM bezeichnet) reiner Sprache gespeichert ist. Auf der Grundlage des logarithmischen Mel-Eingangsspektrums erzeugt die Rauschminderungseinheit 502 für jedes Segment einen Schätzwert reiner Sprache und gibt den Schätzwert reiner Sprache an eine Extraktionseinheit für den Merkmalsbetrag 504 aus.
Bei dem auf der Grundlage von Modellen funktionierenden Rauschkompensationsteil 512 handelt es sich um einen Funktionsteil, der reine Sprache darstellt, die als eine Wahrscheinlichkeitsverteilung in beobachteter Sprache enthalten ist, und durch einen vorhandenen Modellieralgorithmus wie VTS, SPLICE, DNA oder Segura implementiert wird. Der auf der Grundlage von Modellen funktionierende Rauschkompensationsteil 512 führt anhand des logarithmischen Mel-Spektrums für jedes Segment, das der Rauschminderungseinheit 502 zugeführt wird, und des in der Datenbank 516 gespeicherten Modells reiner Sprache (GMM) eine bestimmte arithmetische Operation durch und gibt die reine Sprache, die in der beobachteten Sprache als gemischte mehrdimensionale Normalverteilung enthalten ist, mit einer Dimension für jedes Band aus.
Der MMSE-Schätzteil 514 führt eine MMSE-Schätzung auf der Grundlage der Wahrscheinlichkeitsverteilung aus, die von dem auf der Grundlage von Modellen funktionierenden Rauschkompensationsteil 512 ausgegeben wird, und erzeugt einen Schätzwert reiner Sprache. Es ist zu beachten, dass es sich beim in der Datenbank 516 gespeicherten Modell reiner Sprache um ein GMM in der logarithmischen Mel-Spektrumdomäne handelt, das für jedes Phonem auf der Grundlage vorherigen Lernens erzeugt wird. Der auf der Grundlage von Modellen funktionierende Rauschkompensationsteil 512 gibt reine Sprache als GMM in der logarithmischen Mel-Spektrumdomäne aus. Der MMSE-Schätzteil 514 erzeugt einen Schätzwert reiner Sprache als Vektor in der logarithmischen Mel-Spektrumdomäne.
Die Extraktionseinheit für den Merkmalsbetrag 504 extrahiert einen bestimmten Merkmalsbetrag, z. B. einen Mel-Frequenz-Cepstrum-Koeffizienten (MFCC) aus dem Schätzwert reiner Sprache, der von dem MMSE-Schätzteil 514 ausgegeben wird, und sendet den Merkmalsbetrag an das Back-End. Im Back-End werden die Inhalte der Äußerung auf der Grundlage des vom Front-End erhaltenen Merkmalsbetrags spezifiziert, indem eine vorhandene Konfiguration, z. B. ein HMM, ein Akustikmodell oder ein N-Gram-Sprachmodell verwendet wird.
Die Konfiguration des Front-End im Spracherkennungssystem nach dem Stand der Technik wurde oben kurz beschrieben. Als Nächstes wird die MMSE-Schätzung im Einzelnen beschrieben. Auf der Grundlage von Modellen funktionierende Rauschkompensationsalgorithmen nach dem Stand der Technik beinhalten ein erstes Verfahren des direkten Schätzens eines Schätzwertes reiner Sprache aus beobachteter Sprache, das oben beschrieben wurde, und ein zweites Verfahren des Schätzens eines Kompensationsbetrags aus beobachteter Sprache und des Ableitens eines Schätzwertes reiner Sprache aus der Differenz zwischen der beobachteten Sprache und einem Schätzwert des Kompensationsbetrags. Beim zweiten Verfahren wird eine MMSE-Schätzung beim Schätzen eines Kompensationsbetrags (Diskrepanzvektor) angewandt. Die folgende Beschreibung beruht auf dem von Segura übernommenen zweiten Verfahren, um die Beschreibung zu vereinfachen.
<Vorhandene MMSE-Schätzung>
Ein beobachteter Wert y_d(t) in der logarithmischen Mel-Spektrumdomäne eines Bandes d (Frequenzband auf der Mel-Skala) in einem Segment t der beobachteten Sprache y kann in der Gleichung (1) unten als Funktion eines Wertes x_d(t) reiner Sprache und eines Rauschwertes n_d(t) ausgedrückt werden:
Gl. 1

y_d(t) = x_d(t) + log(1 + exp(n_d(t) – x_d(t))) (1)

Wenn t aus der Gleichung (1) oben weggelassen und die Gleichung (1) als Vektor dargestellt wird, wird die nachfolgende Gleichung (2) gewonnen:
Gl. 2

y = x + g (2)

Ein Diskrepanzvektor g für jedes Band d ist durch eine in der nachstehenden Gleichung (3) angegebene Diskrepanzfunktion G gegeben.
Gl. 3

g_d = G_d(x, n) = log(1 + exp(n_d – x_d)) (3)

Hier wird die reine Sprache x als eine in der nachstehenden Gleichung (4) angegebene GMM mit K-Mischung modelliert:
In der obigen Gleichung (4) geben γ_k, μ_x,k und Σ_x,k eine A-priori-Wahrscheinlichkeit, einen Mittelvektor bzw. eine Kovarianzmatrix einer k-ten Normalverteilung an.
Durch Anwenden der linearen Taylor-Erweiterung auf der Grundlage der obigen Gleichungen (1) bis (4) wird der Diskrepanzvektor g als GMM mit K-Mischung modelliert, was in der Gleichung (5) angegeben ist.
Es ist zu beachten, dass der Mittelvektor μ_g,k in der obigen Gleichung (5) als die nachstehende Gleichung (6) und die Kovarianzmatrix Σ_g,k als die nachstehende Gleichung (7) dargestellt ist:
Gl.6

μ_g,k ≅ log(1 + exp(μ_n – μ_x,k)) = G(μ_x,k, μ_n) (6)
Σ_g,k ≅ F(μ_x,k, μ_n)²·(Σ_x,k + Σ_n) (7)

Eine Hilfsfunktion F in der Gleichung (7) ist als die nachstehende Gleichung (8) definiert:
Gl. 7

F_d(x, n) = (1 + exp(x_d – n_d))^–1 (8)

Als Ergebnis wird ein Schätzwert reiner Sprache x^ durch die nachstehende Gleichung (9-1) angegeben:
Dagegen wird beim ersten Verfahren des direkten Schätzens des Schätzwertes reiner Sprache x^ aus der beobachteten Sprache y der Schätzwert reiner Sprache x^ durch die nachstehende Gleichung (9-2) anstelle der obigen Gleichung (9-1) angegeben:
Hier sind beide A-posteriori-Wahrscheinlichkeiten p_k in den obigen Gleichungen (9-1) und (9-2) durch die nachstehende Gleichung (10) gegeben:
Der Mittelvektor μ_y,k in der obigen Gleichung (10) wird durch die nachstehende Gleichung (11) und die Kovarianzmatrix Σ_y,k durch die nachstehende Gleichung (12) dargestellt:
Gl. 11

μ_y,k ≅ μ_x,k + G(μ_x,k, μ_n) (11)
Σ_y,k ≅ {1 – F(μ_x,k, μ_n)²}·Σ_x,k + F(μ_x,k, μ_n)²·Σ_n (12)

Es ist zu beachten, dass in den obigen Gleichungen (11) und (12) Sprachmodellparameter [μ_x,k, Σ_x,k] durch vorherige Lerndaten gegeben sind und Rauschmodellparameter [μ_n, Σ_n] durch den auf Grundlage von Modellen funktionierenden Rauschkompensationsteil 512 auf der Grundlage eines beobachteten Wertes in einem sprachlosen Abschnitt eingestellt und an den MMSE-Schätzteil 514 ausgegeben werden.
Die vorhandene MMSE-Schätzung wurde oben beschrieben. Als Nächstes wird eine neue Technik der vorliegenden Erfindung beschrieben, die ein Faktorenmodell mit einem Konfidenzindex des Spektrums der beobachteten Sprache verwendet. In der folgenden Beschreibung wird diese Technik als PCW-MMSE (probabilistische konfidenzgewichtete MMSE beschrieben).
<PCW-MMSE>
Die folgende Beschreibung beruht auf dem von Segura übernommenen zweiten Verfahren, um die Beschreibung zu vereinfachen. Bei der Rauschkompensation auf der Grundlage von Modellen des oben beschriebenen zweiten Verfahrens wird der Schätzwert reiner Sprache x^ mittels der nachstehenden Gleichung (13) abgeleitet. Wie in der nachstehenden Gleichung (13) angegeben, wird die Wahrscheinlichkeitsverteilung eines Diskrepanzvektors g als ein Einfaktorenmodell p(g|y) eines beobachteten Vektors y erzeugt und eine MMSE-Schätzung am erzeugten Modell p(g|y) ausgeführt. Danach wird das Schätzergebnis vom beobachteten Wert y subtrahiert, wodurch der Schätzwert reiner Sprache x^ abgeleitet wird.
Gl. 12

x ^ = y – ∫g·p(g|y)dg (13)

Betrachtet man diesen Punkt, wird bei der vorliegenden Erfindung der Schätzwert reiner Sprache x^ mittels der Gleichung (14) abgeleitet. Das heißt, bei der vorliegenden Erfindung wird eine Wahrscheinlichkeitsverteilung, die als Ziel einer MMSE-Schätzung dient, als Zweifaktorenmodell p(g|y, β) definiert, das zwei Faktoren enthält. Einer der beiden Faktoren ist hier der beobachtete Vektor y und der andere ist der Konfidenzindex β.
Gl. 13

x ^ = y – ∫g·p(g|y, β)dg (14)

Hier ist der Konfidenzindex ein Index, der die Konfidenz eines Bandes darstellt. Im Allgemeinen wird die Konfidenz eines Bandes aus dem Blickwinkel einer von Hintergrundrauschen verursachten Signalverschlechterung bewertet. Es muss nicht erwähnt werden, dass verschiedene Konstruktionen für den Konfidenzindex β möglich sind. Die Technik der vorliegenden Erfindung ist nicht auf die Art des übernommenen Konfidenzindexes beschränkt, und ein auf dem Gebiet der Spracherkennung verwendeter vorhandener Konfidenzindex kann verwendet werden. Als ein vorhandener Konfidenzindex kann ein Konfidenzindex, der die relative Leistungsstärke in einer Zeit- oder Frequenzrichtung nutzt, beispielhaft veranschaulicht werden.
<Bevorzugte Ausführungsform eines Konfidenzindexes>
Hier wird ein neuartiger Konfidenzindex beschrieben, der von den Erfindern konzipiert wurde. Bekanntlich weist das Frequenzspektrum von Vokalen, die in menschlichen Äußerungen enthalten sind, eine harmonische Struktur auf. In einer Umgebung ohne Hintergrundrauschen wird die harmonische Struktur der Vokale in gesamten Band des Frequenzspektrums beobachteter Sprache aufrechterhalten. Dagegen geht die harmonische Struktur der Vokale über Breitbandrauschen, z. B. bei Fahrgeräusche eines Fahrzeugs oder bei Geräuschen einer Klimaanlage, in vielen Bändern verloren, und die harmonische Struktur wird nur in einem Band aufrechterhalten, z. B. einem Formanten, in dem die Sprachleistung konzentriert ist.
Ausgehend davon nehmen die Erfinder an, dass die vom Hintergrundrauschen verursachte Verschlechterung in einem Band mit einer auffälligen harmonischen Struktur selten auftritt, und entwickelten eine Technik, um die Auffälligkeit der harmonischen Struktur als Konfidenzindex für dieses Band auszunutzen. Gemäß dieser Technik kann die Konfidenz eines Bandes in geeigneter Weise bewertet werden, auch wenn Rauschen nicht konstant ist oder der Rauschpegel in einem bestimmten Band immer hoch ist. Im Nachfolgenden wird ein Verfahren zum Erzeugen eines neuartigen Konfidenzindexes beschrieben, das von den Erfindern entwickelt wurde.
Ein neuartiger Konfidenzindex wird mit einer LPW (lokale Spitzengewichtung) erzeugt. Hier erfolgt eine LPW so, dass eine große Änderung, z. B. diejenige, die Formanteninformationen enthält, von der spektralen Energieverteilung der beobachteten Sprache entfernt wird, und nur regelmäßige Spitzen und Senken, die der harmonischen Struktur entsprechen, extrahiert und ihre Werte normalisiert werden. Für jedes Segment wird eine LPW erzeugt, indem das folgende Verfahren durchgeführt wird.
Zuerst wird der Logarithmus des Frequenzspektrums eines Segments t beobachteter Sprache übernommen, und sein logarithmisches Spektrum wird einer diskreten Cosinus-Transformation unterzogen, um ein Cepstrum zu erhalten. Als Nächstes werden von den Termen des erhaltenen Cepstrums nur die Terme in einer Domäne/in Domänen, die der harmonischen Struktur von LPW-Vokalen entspricht/entsprechen, übrig gelassen, und die anderen Terme werden abgeschnitten. Danach wird das verarbeitete Cepstrum einer inversen diskreten Cosinus-Transformation unterzogen, um das Cepstrum in die logarithmische Spektrumdomäne zurückzuwandeln, die weiterhin in die Frequenzspektrumdomäne umgewandelt wird. Schließlich wird das umgewandelte Frequenzspektrum normalisiert, so dass der Mittelwert des Frequenzspektrums 1 wird, wodurch eine LPW gewonnen wird. 2(a) veranschaulicht das Frequenzspektrum eines Segments t beobachteter Sprache. 2(b) veranschaulicht eine LPW, die auf der Grundlage des in 2(a) veranschaulichten Frequenzspektrums erzeugt wird.
Als Nächstes wird eine in 2(c) veranschaulichte Mel-LPW gewonnen, indem die in 2(b) veranschaulichte LPW auf der Mel-Skala geglättet wird. Insbesondere werden Werte geglättet, indem die LPW eine Mel-Filterdatenbank durchläuft (eine Filterdatenbank, bei der die Bandpassfilter in gleichen Intervallen auf der Mel-Skala angeordnet sind) und für jedes Mel-Band ein Wert gewonnen wird. Wie in 2(c) veranschaulicht, wird der Mel-LPW-Wert in jedem Mel-Band gegeben. Die Größe des Mel-LPW-Wertes entspricht der Auffälligkeit der harmonischen Struktur eines Bandes des Frequenzspektrums mit hoher Auflösung, das jedem Mel-Band entspricht.
Bei der vorliegenden Ausführungsform wird der Mel-LPW-Wert, der durch das oben beschriebene Verfahren gewonnen wird, normalisiert, indem ein geeignetes Verfahren angewandt wird, und ein Konfidenzindex β_d für jedes Band gewonnen. Beispielsweise kann der Konfidenzindex β_d erzeugt werden, indem das folgende Verfahren durchgeführt wird.
3(a) veranschaulicht eine Mel-LPW, die für ein Segment t gewonnen wurde. Ein Mel-LPW-Wert w_d wird mittels einer geeigneten Skalierungsfunktion normalisiert, so dass der Wert w_d einen Wert von 0 bis 1 annimmt, wobei 1 den Höchstwert darstellt. Eine Skalierungsfunktion ist unter anderem beispielsweise eine Sigmoidfunktion. Die nachstehende Gleichung (15) gibt eine Gleichung zum Ableiten des Konfidenzindexes β_d mittels einer Sigmoid-Funktion an:
Gl. 14

β_d = 1.0/(1.0 + exp(–α·(w_d – 1.0 – b))) (15)

Es ist zu beachten, dass in der vorstehenden Gleichung (15) a und b Einstellparameter sind und geeignete konstante Werte eingestellt werden.
3(b) gibt den Konfidenzindex β an, der durch das oben beschriebene Verfahren erzeugt wird. Wie in 3(b) veranschaulicht, wird der Konfidenzindex β in jedem Mel-Band angegeben. Unter der Annahme des oben beschriebenen Konfidenzindexes β wird die Beschreibung unter erneuter Bezugnahme auf die obige Gleichung (14) fortgesetzt.
Das Wahrscheinlichkeitsmodell p(g|y, β) in der obigen Gleichung (14) kann als Produkt der beiden Wahrscheinlichkeitsverteilungen dargestellt werden, wie in der nachstehenden Gleichung (16) angegeben:
Gl. 15

p(g|y, β) = p(g|y)·p(g|β) (16)

In der obigen Gleichung (16) kann p(g|y) als Wahrscheinlichkeitsmodell des Diskrepanzvektors g bezeichnet werden, das von Segura übernommen wurde, das den beobachteten Vektor y als Faktor aufweist.
Dagegen ist in der obigen Gleichung (16) p(g|β) das Wahrscheinlichkeitsmodell des Diskrepanzvektors g, das den Konfidenzindex β als Faktor aufweist. Bei der vorliegenden Erfindung ist das Faktorenmodell p(g|β) so konzipiert, dass die Wahrscheinlichkeit, dass der Diskrepanzvektor g = 0 wird, umso höher wird, je größer der Wert des Konfidenzindexes β wird.
Das heißt, die vorliegende Erfindung modelliert das Faktorenmodell p(g|β) als eine durch die nachstehende Gleichung (17) dargestellte Normalverteilung, d. h. eine Normalverteilung, bei der der Mittelwert 0 beträgt und die Varianz eine Ausgabewert der Funktion ψ(β) ist:
Gl. 15

p(g|β) = N(g; 0, ψ(β)) (17)

Die vorliegende Erfindung übernimmt als Funktion ψ(β) in der vorstehenden Gleichung (17) eine geeignete Funktion, die einen desto kleineren Wert ausgibt, je größer der Konfidenzindex β wird. Beispielsweise gilt die Funktion ψ(β) in der vorstehenden Gleichung (17) als k-abhängig und wird durch Skalieren der Varianz der k-ten Normalverteilung des GMM reiner Sprache ausgeführt. In diesem Fall kann die Funktion ψ(β), die die Varianz der k-ten Normalverteilung des Bandes d darstellt, als die nachstehende Gleichung (18) definiert werden:
Gl. 17

ψ_k,d = Σ_x,k,d(β_d ^–1 – c) (18)

In der vorstehenden Gleichung (18) gibt β_d den Konfidenzindex für jedes Band an. Außerdem ist c ein Einstellparameter und ein geeigneter konstanter Wert im Bereich von 0,0 bis 1,0 wird eingestellt.
Hier wird die Beschreibung wieder unter Bezugnahme auf die vorstehende Gleichung (16) beschrieben.
Wenn beispielsweise die beobachtete Sprache kaum verschlechtert ist und die harmonische Struktur der Vokale in ihrem Frequenzspektrum auffällig ist, wird der Konfidenzindex β größer. In diesem Fall wird die in der vorstehenden Gleichung (17) angegebene Varianz ψ(β) kleiner, und die Normalverteilung p(g|β) weist eine steile Verteilung auf. Infolgedessen sind in der Wahrscheinlichkeitsverteilung p(g|y, β), die durch das Produkt von p(g|y) und p(g|β) dargestellt wird, die Normalverteilung p(g|β), bei der der Mittelwert = 0 dominant wirkt, und der Mittelwert von p(g|y, β) in Richtung von g = 0 verschoben. Als Folge wird der Schätzwert reiner Sprache x^, der durch die obige Gleichung (14) gewonnen wird, zu einem Wert, der näher am beobachteten Wert y liegt als am Ausgabewert des Schätzwertes des reinen Sprache x^ nach dem Stand der Technik, der durch die obige Gleichung (13) gewonnen wird.
Kurz gesagt, die vorliegende Erfindung hat die folgenden vorteilhaften Wirkungen, indem sie das Zweifaktorenmodell p(g|y, β) als Wahrscheinlichkeitsmodell übernimmt, das als Ziel der MMSE-Schätzung dient. Das heißt, bei einer Technik des Übernehmens des Einfaktorenmodells p(g|y) nach dem Stand der Technik wird der Schätzwert des Diskrepanzvektors g immer subtrahiert, unabhängig davon, wie hoch das Signal/Rausch-Verhältnis der beobachteten Sprache ist, wodurch sich die Unannehmlichkeit ergibt, dass stattdessen die Sprache verschlechtert wird. Dagegen nähert sich bei einem sehr hohen Signal/Rausch-Verhältnis der beobachteten Sprache der Schätzwert des Diskrepanzvektors g dem Wert 0 an, und sein Ausgangswert wird im Wesentlichen dem beobachteten Wert y gleich. Dieses Ergebnis entspricht dem Zweck der Rauschminderung.
Ferner hat ein Übernehmen des Zweifaktorenmodells p(g|y, β) als Wahrscheinlichkeitsmodell, das als Ziel der MMSE-Schätzung dient, die vorteilhafte Wirkung, dass die MMSE-Schätzung, die auf der letzten Stufe der Schätzung eines Sprachmodells verwendet wird, verbessert wird. Im Folgenden wird dieser Punkt beschrieben.
Eine MMSE-Schätzung reiner Sprache, die das Zweifaktorenmodell p(g|y, β) der vorliegenden Erfindung übernimmt, kann ausgeführt werden, indem die obige Gleichung (16) auf eine gemischte Normalverteilung angewandt wird. Da das Produkt aus einer Normalverteilung und einer Normalverteilung eine Normalverteilung wird, heißt dies, dass die Wahrscheinlichkeitsverteilung p(g|y, β) als die nachstehende Gleichung (19) erweitert werden kann:
Die Varianz Σ''_g,k und der Mittelwert μ_g _, _k in der obigen Gleichung (19) sind durch die nachstehenden Gleichungen (20) bzw. (21) gegeben:
Gl. 19

Σ '' / g,k = (Σ_g,k ^–1 + ψ_k ^–1)^–1 (20)
μ '' / g,k = (Σ_g,k ^–1·μ_g,k + ψ_k ^–1·0)·Σ '' / g,k (21)

Außerdem sind die A-posteriori-Wahrscheinlichkeit p''_k(y) in der obigen Gleichung (19) durch die nachstehende Gleichung (22) gegeben:
Die Varianz Σ''_g,k und der Mittelwert μ''_y,k in der obigen Gleichung (22) sind durch die nachstehenden Gleichungen (23) bzw. (24) gegeben:
Gl. 21

Σ '' / g,k = (Σ_y,k ^–1 + ψ_k ^–1)^–1 (23)
μ '' / y,k = (Σ_y,k ^–1·μ_g,k + ψ_k ^–1·μ_x,k)·Σ '' / y,k (24)

Schließlich ist der Schätzwert der MMSE-Schätzung durch die nachstehende Gleichung (25) gegeben, wenn das Zweifaktorenmodell p(g|y, β) als Ziel dient:
Wenn ein spektrales Band vorliegt, in dem die harmonische Struktur der Vokale in einem Segment t eines Sprechabschnitts auffällig ist, nimmt der Konfidenzindex β_d eines entsprechenden Bandes d einen größeren Wert an. In diesem Fall wird ψ_k in der obigen Gleichung (20) kleiner, und die Varianz Σ''_y,k des Bandes d, die beim Berechnen der A-posteriori-Wahrscheinlichkeit p''_k(y) verwendet wird, wird kleiner als der ursprüngliche Wert von Σ_y,k. Je kleiner die Varianz ist, desto steiler wird die Normalverteilung. Infolgedessen hat das Band d einen größeren Einfluss auf die Wahrscheinlichkeit der gesamten A-posteriori-Wahrscheinlichkeit. Dies bedeutet, dass bei der MMSE-Schätzung der Beitrag eines Mel-Bandes, das dem spektralen Band entspricht, in dem die harmonische Struktur der Vokale auffällig ist, groß wird.
Wenn dagegen ein spektrales Band vorliegt, in dem die harmonische Struktur der Vokale in einem Segment t eines Sprechabschnitts verloren gegangen ist, wird der Konfidenzindex β_d eines entsprechenden Bandes d kleiner. In diesem Fall wird _' _k in der obigen Gleichung (20) größer, und die Varianz Σ''_y,k des Bandes d, die beim Berechnen der A-posteriori-Wahrscheinlichkeit p''_k(y) verwendet, wird größer als der ursprüngliche Wert von Σ_y,k. Je größer die Varianz ist, desto breiter wird die Normalverteilung. Infolgedessen hat das Band d einen kleineren Einfluss auf die Wahrscheinlichkeit der gesamten A-posteriori-Wahrscheinlichkeit. Dies bedeutet, dass bei der MMSE-Schätzung der Beitrag eines Mel-Bandes, das dem spektralen Band entspricht, in dem die harmonische Struktur der Vokale verloren gegangen ist, klein wird.
Kurz gesagt, die vorliegende Erfindung hat die folgenden vorteilhaften Wirkungen, indem sie das Zweifaktorenmodell p(g|y, β) als Wahrscheinlichkeitsmodell übernimmt, das als Ziel der MMSE-Schätzung dient. Das heißt, gemäß der vorliegenden Erfindung beeinflusst jedes Band das Ergebnis der MMSE-Schätzung, wobei das Ausmaß des Beitrags mit seinem Konfidenzniveau übereinstimmt. Infolgedessen wird die Front-End-Ausgabe optimiert.
Die vorliegende Erfindung wurde auf der Grundlage des von Segura übernommenen zweiten Verfahrens beschrieben. Es muss nicht erwähnt werden, dass die vorliegende Erfindung auf das erste Verfahren anwendbar ist, das einen Schätzwert reiner Sprache direkt aus beobachteter Sprache schätzt.
Wenn die vorliegende Erfindung auf das erste Verfahren angewandt wird, ist die Wahrscheinlichkeitsverteilung, die als Ziel der MMSE-Schätzung dient, als das Zweifaktorenmodell p(x|y, β) definiert, und p(x|y, β) wird als Produkt der beiden Wahrscheinlichkeitsverteilungen p(x|y) und p(x|β) dargestellt, wie es in der nachstehenden Gleichung (26) angegeben ist. In der nachstehenden Gleichung (26) ist p(x|y) ein Wahrscheinlichkeitsmodell reiner Sprache x, das gemäß einem geeigneten Algorithmus erzeugt wurde, und p(x|β) ist ein Wahrscheinlichkeitsmodell reiner Sprache x mit dem Konfidenzindex β als Faktor.
Wenn die vorliegende Erfindung auf das erste Verfahren angewandt wird, ist das Wahrscheinlichkeitsmodell p(x|β) so konzipiert, dass die Wahrscheinlichkeit der reinen Sprache x = y umso höher wird, je größer der Wert des Konfidenzindexes β wird. Das heißt, das Wahrscheinlichkeitsmodell p(x|β) wird als eine durch die nachstehende Gleichung (27) dargestellte Normalverteilung modelliert, d. h. eine Normalverteilung, bei der der Mittelwert der beobachtete Wert y und die Varianz eine Ausgabe der Funktion ψ(β) ist, und eine geeignete Funktion, die einen desto kleineren Wert ausgibt, je größer der Wert des Konfidenzindexes β ist, wird als Funktion ψ(β) übernommen. Der Schätzwert der MMSE-Schätzung wird durch die nachstehende Gleichung (28) gegeben:
Für den Rest siehe die Beschreibung des zweiten Verfahrens. Fachleute werden problemlos verstehen, dass dieselben oder ähnliche vorteilhafte Wirkungen wie die im Falle des zweiten Verfahrens erzielt werden, wenn die vorliegende Erfindung auf das erste Verfahren angewandt wird.
4 veranschaulicht konzeptionell die Konfiguration eines Front-End 1000 in einem Spracherkennungssystem gemäß einer Ausführungsform der vorliegenden Erfindung. Bei einer Rauschminderungseinheit 100 des Front-End 1000 ist PCW-MMSE implementiert. Das Front-End 1000 enthält ferner eine Erzeugungseinheit für den Konfidenzindex 104. Die Erzeugungseinheit für den Konfidenzindex 104 enthält einen LPW-Erzeugungsteil 105, einen Mel-LPW-Erzeugungsteil 106 und einen Normalierungsteil 107. Im Folgenden wird ein Prozess beschrieben, der durch das Front-End 1000 auf der Grundlage eines Ablaufplans in 5 ausgeführt wird. Es ist zu beachten, dass in der folgenden Beschreibung in geeigneter Weise Bezug auf 4 genommen wird.
Wenn das Frequenzspektrum Y, das einem Segment der beobachteten Sprache entspricht, gewonnen wurde (Schritt S101), extrahiert der LPW-Erzeugungsteil 105 erstens die harmonische Struktur des Frequenzspektrums Y und erzeugt eine LPW (Schritt S102). Als Nächstes erzeugt der Mel-LPW-Erzeugungsteil 106 eine Mel-LPW aus der LPW (Schritt S103). Der Normalisierungsteil 107 normalisiert die Mel-LPW mit einem geeigneten Verfahren und erzeugt einen Konfidenzindex β für jedes Band (Schritt S104). Die Erzeugungseinheit für den Konfidenzindex 104 stellt den erzeugten Konfidenzindex β für die Rauschminderungseinheit 100 bereit.
Danach wird das Frequenzspektrum Y, das einem Segment entspricht, in ein logarithmisches Mel-Spektrum y umgewandelt (Schritt S105) und der Rauschminderungseinheit 100 zugeführt. Die Rauschminderungseinheit 100 schätzt die reine Sprache anhand des zugeführten logarithmischen Mel-Spektrums y und des Konfidenzindexes β, der von der Erzeugungseinheit für den Konfidenzindex 104 bereitgestellt wurde (Schritt S106). Zu diesem Zeitpunkt erzeugt ein auf der Grundlage von Modellen funktionierender Rauschkompensationsteil 102 ein Wahrscheinlichkeitsmodell, das als Produkt der Wahrscheinlichkeitsverteilung des Diskrepanzvektors g (bzw. der reinen Sprache x) dargestellt ist, wobei der beobachtete Wert y als Faktor und die Wahrscheinlichkeitsverteilung des Diskrepanzvektors g (bzw. der reinen Sprache x) mit dem Konfidenzindex β als Faktor auftreten. Der MMSE-Schätzteil 514 führt eine MMSE-Schätzung auf der Grundlage des Wahrscheinlichkeitsmodells aus, das vom auf der Grundlage von Modellen funktionierenden Rauschkompensationsteil 102 erzeugt wurde, und erzeugt einen Schätzwert reiner Sprache x^.
Die Rauschminderungseinheit 100 gibt den geschätzten Schätzwert reiner Sprache x^ an die Extraktionseinheit für den Merkmalsbetrag 504 aus (Schritt S107). Die Extraktionseinheit für den Merkmalsbetrag 504 extrahiert einen bestimmten Merkmalsbetrag aus dem Schätzwert reiner Sprache x^ und sendet den Merkmalsbetrag an das Back-End. Die oben beschriebene Reihe von Verfahren wird wiederholt für jedes Segment der beobachteten Sprache ausgeführt (Nr. in Schritt 108). Der Prozess endet, wenn das letzte Frame erreicht ist (Ja in Schritt 108).
Wie oben beschrieben, beeinflusst gemäß der vorliegenden Erfindung jedes Band das Ergebnis der MMSE-Schätzung, wobei das Ausmaß des Beitrags mit seinem Konfidenzniveau übereinstimmt. Ferner gilt, dass der Ausgabewert umso stärker zum beobachteten Wert hin verschoben wird, je höher das Signal/Rausch-Verhältnis der beobachteten Sprache ist. Infolgedessen wird die Front-End-Ausgabe optimiert.
Die vorliegende Erfindung wurde unter Bezugnahme auf Ausführungsform beschrieben. Jedoch ist die vorliegende Erfindung nicht auf die oben beschriebene Ausführungsform beschränkt, und Änderungen sind im Umfang der vorliegenden Erfindung eingeschlossen, solange sie Operationen und vorteilhafte Wirkungen der vorliegenden Erfindung innerhalb des Umfangs einer Ausführungsform aufweisen, die durch Fachleute vorstellbar ist.
Die Funktionen der oben beschriebenen Ausführungsform können mit einem Programmprodukt realisiert werden, das in einer objektorientierten Programmiersprache wie C, C++, C# oder Java (eingetragene Marke) geschrieben und auf einer Vorrichtung ausführbar ist. Das Programmprodukt der Ausführungsform kann zur Verbreitung auf einem von einer Vorrichtung lesbaren Aufzeichnungsmedium gespeichert sein, z. B. einer Festplatte, einer CD-ROM, einem MO, einer DVD, einer flexiblen Speicherplatte, einem EEPROM oder einem EPROM. Alternativ kann das Programmprodukt über ein Netzwerk in einem von der Vorrichtung lesbaren Format übertragen werden.
Beispiel
Im Folgenden wird die vorliegende Erfindung anhand eines Beispiels genauer beschrieben werden. Die vorliegende Erfindung ist jedoch nicht auf das nachstehend beschriebene Beispiel beschränkt.
Ein Computerprogrammprodukt (PCW-MMSE) wurde erzeugt, um einen Computer zu veranlassen, ein Verfahren der oben offenbarten vorliegenden Erfindung auszuführen, und die Leistungsfähigkeit des Computerprogrammprodukts wurde anhand einer Bewertungsstruktur für Fahrzeug-Spracherkennungssysteme bewertet, der von der Information Processing Society of Japan (IPSJ) bereitgestellt wurde.
<Versuchsbedingungen>
Dieser Versuch wurde mit Hilfe der Bewertungsdatenbank für Fahrzeug-Spracherkennungssysteme CENSREC-3 durchgeführt. Eine Bewertungsbedingung war Bedingung 3, bei der ein entfernt angeordnetes Mikrofon sowohl zum Lernen von Daten als auch zum Testen von Daten verwendet wird. Es wurde ein Front-End vorbereitet, das für den Versuch notwendige verschiedene Merkmalsbeträge ausgibt, und auf die Lerndaten als auch die Testdaten angewandt. Die Merkmalsbeträge lagen in 39 Dimensionen vor, darunter MFCC 12 Dimensionen + ΔMFCC 12 Dimensionen + AAMFCC 12 Dimensionen + CO + ACO + AACO, und eine CMN wurde in Äußerungseinheiten angewandt. Die Konfiguration eines Back-End, z. B. das Verfahren des Erzeugens eines Akustikmodells, wurde nicht verändert (Kategorie 0).
Ein GMM reiner Sprache wurde im Leerlauf des Fahrzeugs anhand von Daten gelernt, die mit einem Nahbesprechungsmikrofon erfasst und aufgezeichnet wurden. Verwendet wurden Merkmalsbeträge des logarithmischen Mel-Spektrums in 24 Dimensionen, und die Anzahl der Mischungen betrug 256.
<Versuchsergebnisse>

Die nachstehende Tabelle 1 gibt kollektiv die wortrichtige Genauigkeit (%) des beispielhaften Programmprodukts (PCW-MMSE) und eines beispielhaften Vergleichsprogrammprodukts an (Standard-MMSE: MMSE von Segra). Es ist zu beachten, dass eine „CENSREC-3-Basislinie” eine Basislinie darstellt, bei der keine Sprachverbesserung oder Rauschminderung durchgeführt wird. Tabelle 1

Aufzeichnungsumgebung der Bewertungsdaten		Wortrichtige Genauigkeit (%)
Fahrgeschwindigkeit	Fahrzeuginterne Umgebung	CENSREC-3-Basislinie	Standard-MMSE	PCW-MMSE
Leerlauf	Normal	100,0	100,0	100,0
	Warnblinker ein	99,4	97,9	98,2
	Klimaanlage (niedrig)	98,0	98,8	99,1
	Klimaanlage (hoch)	63,1	81,2	90,2
	offenes Fenster	93,1	96,6	97,3
	Mittelwert	90,7	94,9	97,0
Langsames Fahren	Normal	99,8	98,7	99,2
	Klimaanlage (niedrig)	96,8	97,8	97,9
	Klimaanlage (hoch)	69,3	84,5	90,8
	offenes Fenster	80,8	82,5	88,4
	Mittelwert	87,5	91,7	94,7
Schnelles Fahren	Normal	98,1	97,3	98,9
	Klimaanlage (niedrig)	94,8	96,2	98,1
	Klimaanlage (hoch)	64,8	83,8	89,8
	offenes Fenster	49,0	61,5	70,4
	Mittelwert	78,8	86,1	90,4
Mittelwert für alle Umgebungsbedingungen		85,2	90,5	93,7

Auf der Grundlage des Mittelwertes der wortrichtigen Genauigkeit (%) unter allen Umgebungsbedingungen, der in der obigen Tabelle 1 angegeben ist, wurde die Fehlerminderungsrate (%) in Bezug auf die Standard-MMSE, die ein Vergleichsbeispiel darstellt, anhand des nachstehenden Ausdrucks (26) berechnet:
Demzufolge betrug die Fehlerminderungsrate (%) der PCW-MMSE (Beispiel) 33,8%. Dieses Ergebnis gibt an, dass das Verfahren der vorliegenden Erfindung die Genauigkeit der Spracherkennung verbessert.
Bezugszeichenliste

100: Rauschminderungseinheit
102: auf der Grundlage von Modellen funktionierender Rauschkompensationsteil
104: Erzeugungseinheit für den Konfidenzindex
105: LPW-Erzeugungsteil
106: Mel-LPW-Erzeugungsteil
107: Normalisierungsteil
502: Rauschminderungseinheit
504: Extraktionseinheit für den Merkmalsbetrag
512: auf der Grundlage von Modellen funktionierender Rauschkompensationsteil
514: MMSE-Schätzteil
516: Datenbank
500, 1000: Front-Ends

Claims

Rauschminderungsverfahren, das aufweist: den Schritt eines Erzeugens eines Konfidenzindexes für jedes Band auf der Grundlage eines Spektrums beobachteter Sprache; den Schritt eines Erzeugens eines Wahrscheinlichkeitsmodells, das als gemischte mehrdimensionale Normalverteilung mit einer Dimension für jedes Band dargestellt ist, wobei jede Normalverteilung als Produkt einer ersten Normalverteilung und einer zweiten Normalverteilung dargestellt ist; und und den Schritt eines Schätzens eines Schätzwertes eines Diskrepanzvektors durch Ausführen einer MMSE-Schätzung am Wahrscheinlichkeitsmodell und Ableiten eines Schätzwertes reiner Sprache auf der Grundlage des Schätzwertes des Diskrepanzvektors, wobei es sich bei der ersten Normalverteilung um eine Wahrscheinlichkeitsverteilung eines Diskrepanzvektors handelt, der auf der Grundlage der beobachteten Sprache erzeugt wird, und wobei die zweite Normalverteilung einen Mittelwert Null aufweist und eine Varianz als eine Funktion definiert ist, die einen desto kleineren Wert ausgibt, je größer der Konfidenzindex wird.
Rauschminderungsverfahren, das aufweist: den Schritt eines Erzeugens eines Konfidenzindexes für jedes Band auf der Grundlage eines Spektrums beobachteter Sprache; den Schritt eines Erzeugens eines Wahrscheinlichkeitsmodells, das als gemischte mehrdimensionale Normalverteilung mit einer Dimension für jedes Band dargestellt ist, wobei jede Normalverteilung als Produkt einer ersten Normalverteilung und einer zweiten Normalverteilung dargestellt ist; und den Schritt eines Ableitens eines Schätzwertes reiner Sprache durch Ausführen einer MMSE-Schätzung am Wahrscheinlichkeitsmodell, wobei es sich bei der ersten Normalverteilung um eine Wahrscheinlichkeitsverteilung reiner Sprache handelt, die auf der Grundlage der beobachteten Sprache erzeugt wird, und wobei die zweite Normalverteilung einen beobachteten Wert als Mittelwert aufweist und eine Varianz als eine Funktion definiert ist, die einen desto kleineren Wert ausgibt, je größer der Konfidenzindex wird.
Verfahren nach Anspruch 1 oder 2, wobei es sich beim Konfidenzindex um einen Index handelt, der die Auffälligkeit einer harmonischen Struktur der beobachteten Sprache darstellt.
Verfahren nach einem der Ansprüche 1 bis 3, wobei der Schritt des Erzeugens eines Konfidenzindex beinhaltet: den Schritt eines Extrahierens einer harmonischen Struktur aus dem Spektrum der beobachteten Sprache und des Normalisierens der harmonischen Struktur; den Schritt eines Glättens der normalisierten Werte auf einer Mel-Skala; und den Schritt eines Normalisierens der geglätteten Werte von 0 bis 1.
Computergestütztes Programmprodukt, um einen Computer zu veranlassen, die Schritte des Verfahrens gemäß einem der Ansprüche 1 bis 4 auszuführen.
Rauschminderungsvorrichtung, die aufweist: eine Erzeugungseinheit für den Konfidenzindex, die zum Erzeugen eines Konfidenzindexes für jedes Band auf der Grundlage eines Spektrums der beobachteten Sprache konfiguriert ist; und eine Rauschminderungseinheit, die zum Erzeugen eines Wahrscheinlichkeitsmodells, das als gemischte mehrdimensionale Normalverteilung mit einer Dimension für jedes Band dargestellt ist, wobei jede Normalverteilung als Produkt einer ersten Normalverteilung und einer zweiten Normalverteilung dargestellt ist, zum Schätzen eines Schätzwertes eines Diskrepanzvektors durch Ausführen einer MMSE-Schätzung am Wahrscheinlichkeitsmodell und zum Ableiten eines Schätzwertes reiner Sprache auf der Grundlage des Schätzwertes des Diskrepanzvektors konfiguriert ist, wobei es sich bei der ersten Normalverteilung um eine Wahrscheinlichkeitsverteilung eines Diskrepanzvektors handelt, der auf der Grundlage der beobachteten Sprache erzeugt wird, und wobei die zweite Normalverteilung einen Mittelwert Null aufweist und eine Varianz als eine Funktion definiert ist, die einen desto kleineren Wert ausgibt, je größer der Konfidenzindex wird.
Rauschminderungsvorrichtung, die aufweist: eine Erzeugungseinheit für den Konfidenzindex, die zum Erzeugen eines Konfidenzindexes für jedes Band auf der Grundlage eines Spektrums der beobachteten Sprache konfiguriert ist; und eine Rauschminderungseinheit, die zum Erzeugen eines Wahrscheinlichkeitsmodells, das als gemischte mehrdimensionale Normalverteilung mit einer Dimension für jedes Band dargestellt ist, wobei jede Normalverteilung als Produkt einer ersten Normalverteilung und einer zweiten Normalverteilung dargestellt ist, und zum Ableiten eines Schätzwertes reiner Sprache durch Ausführen einer MMSE-Schätzung am Wahrscheinlichkeitsmodell konfiguriert ist, wobei es sich bei der ersten Normalverteilung um eine Wahrscheinlichkeitsverteilung reiner Sprache handelt, die auf der Grundlage der beobachteten Sprache erzeugt wird, und wobei die zweite Normalverteilung einen beobachteten Wert als Mittelwert aufweist und eine Varianz als eine Funktion definiert ist, die einen desto kleineren Wert ausgibt, je größer der Konfidenzindex wird.
Rauschminderungsvorrichtung nach Anspruch 6 oder 7, wobei es sich beim Konfidenzindex um einen Index handelt, der die Auffälligkeit einer harmonischen Struktur der beobachteten Sprache darstellt.
Vorrichtung nach einem der Ansprüche 6 bis 8, wobei die Erzeugungseinheit für den Konfidenzindex enthält: ein Mittel zum Extrahieren einer harmonischen Struktur aus dem Spektrum der beobachteten Sprache und zum Normalisieren der harmonischen Struktur; ein Mittel zum Glätten der normalisierten Werte auf einer Mel-Skala; und ein Mittel zum Normalisieren der geglätteten Werte von 0 bis 1.