JPWO2020003534A5 - - Google Patents

Description

上記目的を達成するために、本発明の一例における音声特徴量抽出装置は、
入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、音声アクティビティ検出部と、
発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、音声アクティビティ検出処理部と、
前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、発話レベル特徴量抽出部と、
を備えている、ことを特徴とする。

上記目的を達成するために、本発明の一例における音声特徴量抽出方法は、
（ａ）入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、ステップと、
（ｂ）発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、ステップと、
（ｃ）前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、ステップと、
を有する、ことを特徴とする。

上記目的を達成するために、本発明の一例におけるプログラムは、
コンピュータに、
（ａ）入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、ステップと、
（ｂ）発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、ステップと、
（ｃ）前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、ステップと、
を実行させる、ことを特徴とする。

ＶＡＤ部１０３は、入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する。ＶＡＤ処理部１０６は、発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する。発話レベル特徴量抽出部１１２は、関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する。

（付記１）
入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、音声アクティビティ検出部と、
発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、音声アクティビティ検出処理部と、
前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、発話レベル特徴量抽出部と、
を備えている、ことを特徴とする音声特徴量抽出装置。

（付記３）
付記１に記載の音声特徴量抽出装置であって、
非音声フレームを除去し、フレーム毎に音声の第２の事後確率を計算する、第２の音声アクティビティ検出部を備え、
前記発話レベル特徴量抽出部は、前記事後確率がフレームの除去のために利用されるにも関わらず、第２の事後確率の関数からの重みを利用する、
ことを特徴とする音声特徴量抽出装置。

（付記５）
付記３に記載の音声特徴量抽出装置であって、
前記発話レベル特徴量抽出手段は、プーリングにおける重みを得るための音声アクティビティ検出を、フレームを除去するために利用する、
ことを特徴とする音声特徴量抽出装置。

（付記６）
付記２に記載の音声特徴量抽出装置であって、
前記発話レベル特徴量抽出器訓練手段は、プーリングにおける重みを得るための音声アクティビティ検出を、フレームを除去するために利用する、
ことを特徴とする音声特徴量抽出装置。

（付記９）
（ａ）入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、ステップと、
（ｂ）発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、ステップと、
（ｃ）前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、ステップと、
を有する、ことを特徴とする音声特徴量抽出方法。

（付記１１）
付記９に記載の音声特徴量抽出方法であって、
（ｅ）非音声フレームを除去し、フレーム毎に音声の第２の事後確率を計算する、ステップ更に有し、
前記（ｃ）のステップにおいて、前記事後確率がフレームの除去のために利用されるにも関わらず、第２の事後確率の関数からの重みを利用する、
ことを特徴とする音声特徴量抽出方法。

（付記１３）
付記１１に記載の音声特徴量抽出方法であって、
前記（ｃ）のステップにおいて、プーリングにおける重みを得るための音声アクティビティ検出を、フレームを除去するために利用する、
ことを特徴とする音声特徴量抽出方法。

（付記１４）
付記１０に記載の音声特徴量抽出方法であって、
前記（ｄ）のステップにおいて、プーリングにおける重みを得るための音声アクティビティ検出を、フレームを除去するために利用する、
ことを特徴とする音声特徴量抽出方法。

（付記１７）
コンピュータに、
（ａ）入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、ステップと、
（ｂ）発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、ステップと、
（ｃ）前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、ステップと、
実行させる、プログラム。

（付記１９）
付記１７に記載のプログラムであって、
前記コンピュータに、
（ｅ）非音声フレームを除去し、フレーム毎に音声の第２の事後確率を計算する、ステップを更に実行させ、
前記（ｃ）のステップにおいて、前記事後確率がフレームの除去のために利用されるにも関わらず、第２の事後確率の関数からの重みを利用する、
ことを特徴とするプログラム。

（付記２１）
付記１９に記載のプログラムであって、
前記（ｃ）のステップにおいて、プーリングにおける重みを得るための音声アクティビティ検出を、フレームを除去するために利用する、
ことを特徴とするプログラム。

（付記２２）
付記１８に記載のプログラムであって、
前記（ｄ）のステップにおいて、プーリングにおける重みを得るための、音声アクティビティ検出を、フレームを除去するために利用する、
ことを特徴とするプログラム。

Claims (10)

1. 入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、音声アクティビティ検出手段と、
   発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、音声アクティビティ検出処理手段と、
   前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、発話レベル特徴量抽出手段と、
   を備えている、ことを特徴とする音声特徴量抽出装置。
2. 請求項１に記載の音声特徴量抽出装置であって、
   更に、前記音声アクティビティ検出処理手段によって計算された関数値として、複数のフレームレベル特徴量及び重みを用いて、発話レベル特徴量抽出手段を訓練して、発話レベル特徴量抽出器パラメータを生成する、発話レベル特徴量抽出器訓練手段を備えている、
   ことを特徴とする音声特徴量抽出装置。
3. 請求項１に記載の音声特徴量抽出装置であって、
   非音声フレームを除去し、フレーム毎に音声の第２の事後確率を計算する、第２の音声アクティビティ検出手段を備え、
   前記発話レベル特徴量抽出手段は、前記事後確率がフレームの除去のために利用されるにも関わらず、第２の事後確率の関数からの重みを利用する、
   ことを特徴とする音声特徴量抽出装置。
4. 請求項２に記載の音声特徴量抽出装置であって、
   前記発話レベル特徴量抽出器訓練手段は、前記事後確率がフレームの除去のために利用されるにも関わらず、第２の事後確率の関数からの重みを利用する、
   ことを特徴とする音声特徴量抽出装置。
5. 請求項３に記載の音声特徴量抽出装置であって、
   前記発話レベル特徴量抽出手段は、プーリングにおける重みを得るための音声アクティビティ検出を、フレームを除去するために利用する、
   ことを特徴とする音声特徴量抽出装置。
6. 請求項２に記載の音声特徴量抽出装置であって、
   前記発話レベル特徴量抽出器訓練手段は、プーリングにおける重みを得るための音声アクティビティ検出を、フレームを除去するために利用する、
   ことを特徴とする音声特徴量抽出装置。
7. 請求項１に記載の音声特徴量抽出装置であって、
   前記音声アクティビティ検出処理手段は、単調に増加し、且つ、非線形である、関数を用い、前記関数は、正規化されたオッズ及び正規化された対数オッズの１つとして定義され、
   前記発話レベル特徴量抽出手段は、特徴量として、ｉベクトルを抽出する、
   ことを特徴とする音声特徴量抽出装置。
8. 請求項１に記載の音声特徴量抽出装置であって、
   前記音声アクティビティ検出処理手段は、単調に増加する関数を用い、
   前記発話レベル特徴量抽出手段は、少なくとも１つのプーリング層を有するニューラルネットワークを用いて、特徴量を抽出する、
   ことを特徴とする音声特徴量抽出装置。
9. （ａ）入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、ステップと、
   （ｂ）発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、ステップと、
   （ｃ）前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、ステップと、
   を有する、ことを特徴とする音声特徴量抽出方法。
10. コンピュータに、
    （ａ）入力された音声の発話に対応するフレームから非音声フレームを除去し、フレーム毎に、音声の事後確率を計算する、ステップと、
    （ｂ）発話レベルの特徴量を生成するために、フレームをプーリングする際の重みとして、与えられた音声アクティビティ検出のための事後確率から関数値を計算する、ステップと、
    （ｃ）前記関数値を使用して、複数のフレームレベルの特徴量に基づいて、フレームから、発話レベルの特徴量を抽出する、ステップと、
    を実行させる命令を含む、プログラムを記録しているコンピュータ読み取り可能な記録媒体。