일반적인 음성인식 방법에서는 주파수 전대역에서 추출한 특징벡터를 사용하므로, 각 주파수 부대역은 최종인식 결과에 동등하게 기여한다. 본 논문에서는 주파수 부대역별로 독립적인 특징을 추출하고, 음성인식에 효과적이 되도록 부대역의 켑스트럼 해상도를 조절하는 방법을 제안한다. 주파수 부대역별로 독립적인 특징을 추출하는 멀티밴드 음성인식접근을 사용하여 부대역 특징벡터의 차원을 변화시킨다. 최적의 벡터 차원 조합을 찾기 위하여 음성인식률과 군집화 품질을 사용한다. TIDIGITS 연결 숫자음을 사용한 실험결과에서, 제안한 방법은 전대역 특징추출에 비해 적은 계산량으로도 숫자열 인식률은 99.12%, 백분율 정확도 (percent correct)는 99.775%, 백분율 정밀도 (percent accuracy)는 99.705%를 얻었으며, 이는 전대역 특징벡터에 비해 상대적 오류율을 각각 38%, 32%, 37% 감소시킨 결과이다.
일반적인 음성인식 방법에서는 주파수 전대역에서 추출한 특징벡터를 사용하므로, 각 주파수 부대역은 최종인식 결과에 동등하게 기여한다. 본 논문에서는 주파수 부대역별로 독립적인 특징을 추출하고, 음성인식에 효과적이 되도록 부대역의 켑스트럼 해상도를 조절하는 방법을 제안한다. 주파수 부대역별로 독립적인 특징을 추출하는 멀티밴드 음성인식접근을 사용하여 부대역 특징벡터의 차원을 변화시킨다. 최적의 벡터 차원 조합을 찾기 위하여 음성인식률과 군집화 품질을 사용한다. TIDIGITS 연결 숫자음을 사용한 실험결과에서, 제안한 방법은 전대역 특징추출에 비해 적은 계산량으로도 숫자열 인식률은 99.12%, 백분율 정확도 (percent correct)는 99.775%, 백분율 정밀도 (percent accuracy)는 99.705%를 얻었으며, 이는 전대역 특징벡터에 비해 상대적 오류율을 각각 38%, 32%, 37% 감소시킨 결과이다.
Feature vectors for conventional speech recognition are usually extracted in full frequency band. Therefore, each sub-band contributes equally to final speech recognition results. In this paper, feature Teeters are extracted indepedently in each sub-band. The cepstral resolution of each sub-band fea...
Feature vectors for conventional speech recognition are usually extracted in full frequency band. Therefore, each sub-band contributes equally to final speech recognition results. In this paper, feature Teeters are extracted indepedently in each sub-band. The cepstral resolution of each sub-band feature is controlled for the optimal speech recognition. For this purpose, different dimension of each sub-band ceptral vectors are extracted based on the multi-band approach, which extracts feature vector independently for each sub-band. Speech recognition rates and clustering quality are suggested as the criteria for finding the optimal combination of sub-band Teeter dimension. In the connected digit recognition experiments using TIDIGITS database, the proposed method gave string accuracy of 99.125%, 99.775% percent correct, and 99.705% percent accuracy, which is 38%, 32% and 37% error rate reduction relative to baseline full-band feature vector, respectively.
Feature vectors for conventional speech recognition are usually extracted in full frequency band. Therefore, each sub-band contributes equally to final speech recognition results. In this paper, feature Teeters are extracted indepedently in each sub-band. The cepstral resolution of each sub-band feature is controlled for the optimal speech recognition. For this purpose, different dimension of each sub-band ceptral vectors are extracted based on the multi-band approach, which extracts feature vector independently for each sub-band. Speech recognition rates and clustering quality are suggested as the criteria for finding the optimal combination of sub-band Teeter dimension. In the connected digit recognition experiments using TIDIGITS database, the proposed method gave string accuracy of 99.125%, 99.775% percent correct, and 99.705% percent accuracy, which is 38%, 32% and 37% error rate reduction relative to baseline full-band feature vector, respectively.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 부대역에 포함된 음성 인식 정보를 효과적으로 이용하기 위해, 주파수 분석 단계보다 최적화할 파라미터의 개수가 적고 분석이 용이한 특징추출의 두번째 단계인 변환과정에서 최적화를 한다. 즉 최적화를 위해 상세한 음성정보를 추출하면 음성 인식률의 향상에 기여할 것으로 여겨지는 주파수 부대역의 특징 파라미터 차원을 증가시킨다.
본 논문에서는 부대역에 포함된 음성 인식 정보를 효과적으로 이용하기 위해, 주파수 분석 단계보다 최적화할 파라미터의 개수가 적고 분석이 용이한 특징추출의 두번째 단계인 변환과정에서 최적화를 한다. 즉 최적화를 위해 상세한 음성정보를 추출하면 음성 인식률의 향상에 기여할 것으로 여겨지는 주파수 부대역의 특징 파라미터 차원을 증가시킨다.
본 논문에서는 주파수 부대역별로 독립적 인 특징을 추출하고, 음성인식에 효과적이도록부대역의 켑스트럼 해상도를 조절하는 방법을 제안하였다. 부대역 의 켑스트럼해상도를 조절하기 위해서, 주파수 부대역별로 독립적인 특징을 추출하는 멀티밴드 접근을 사용하였다.
제안 방법
TIDIGITS 자료를 이용하여 인식실험을 수행하였다[15], 남성 55명, 여성 57명이 발성한음성을학습에 사용하였고, 학습에 사용되지 않은 남성 56명, 여성 57명이 발성한 음성을 평가자료로 사용하였다. 각 화자는 H개의 영어 숫자 "zero”, "oh”, “one”, "two", "thee", "four", five , six , seven , eight , nine 을 고립형태로 각각두 번씩, 두 자리부터 일곱 자리까지의 연결된 숫자를 55번 발성하였다. 평가자료는 28489개의 숫자로 구성되어 있다.
모든 실험에서 주파수 전대역을 식 (1)의 바아크 스케일을사용하여 균등한 19개의 간격으로 분할한 19개의 필터뱅크를사용하였다.
즉 최적화를 위해 상세한 음성정보를 추출하면 음성 인식률의 향상에 기여할 것으로 여겨지는 주파수 부대역의 특징 파라미터 차원을 증가시킨다. 변환방법으로 자료기반 변환을 사용하는 대신에 신호에 독립적 인 DCT를 사용하여 부대 역별로 상이한 차원의 켑스트럼 특징벡터의 효과를 알아 본다. 그러나 어떠한 변환이라도 부대역별로 상이한 차원의 특징벡터를 생성할 수 있으므로 DCT 이외의 변환도 사용이 가능하다.
부대역 의 켑스트럼해상도를 조절하기 위해서, 주파수 부대역별로 독립적인 특징을 추출하는 멀티밴드 접근을 사용하였다. 부대역의 특징벡터를독립적으로 인식기에 사용하고, 마지막 단계에서 인식결과들을 통합하는 멀티 밴드 인식방법 대신에, 특징벡터에 통합하여 이용하여 부대역간의 상관관계를 유지하였다. 음성 인식률과 군집화 품질을 사용하여 부대역 특징벡터의 최적의 차원 조합을 찾았고, 이 조합을 TIDIGITS 연결 숫자음을 음성 인식 실험에 사용하여 전대역에서 특징을 추출하는 방법과 비교하였다.
본 논문에서는 주파수 부대역별로 독립적 인 특징을 추출하고, 음성인식에 효과적이도록부대역의 켑스트럼 해상도를 조절하는 방법을 제안하였다. 부대역 의 켑스트럼해상도를 조절하기 위해서, 주파수 부대역별로 독립적인 특징을 추출하는 멀티밴드 접근을 사용하였다. 부대역의 특징벡터를독립적으로 인식기에 사용하고, 마지막 단계에서 인식결과들을 통합하는 멀티 밴드 인식방법 대신에, 특징벡터에 통합하여 이용하여 부대역간의 상관관계를 유지하였다.
부대역별로 독립적인 특징 벡터를 추출하기 위하여, 각 부대역에 포함된 필터뱅크 에너지를 로그변환한 후 DCT를 사용하여 켑스트럼 특징벡터로 변환한다. 필터뱅크의 구성은 퓨리에 변환을 통하여 얻은 파워 스펙트럼 P(f)를 청각기의 인지단위를 모의한 바크 스케일 주파수축Q로 변환한다[2].
부대역 의 켑스트럼해상도를 조절하기 위해서, 주파수 부대역별로 독립적인 특징을 추출하는 멀티밴드 접근을 사용하였다. 부대역의 특징벡터를독립적으로 인식기에 사용하고, 마지막 단계에서 인식결과들을 통합하는 멀티 밴드 인식방법 대신에, 특징벡터에 통합하여 이용하여 부대역간의 상관관계를 유지하였다. 음성 인식률과 군집화 품질을 사용하여 부대역 특징벡터의 최적의 차원 조합을 찾았고, 이 조합을 TIDIGITS 연결 숫자음을 음성 인식 실험에 사용하여 전대역에서 특징을 추출하는 방법과 비교하였다.
평가자료는 28489개의 숫자로 구성되어 있다. 예비실험을 통해서 최적화된 상태랑 연속분포함수 (mixture)의 수 상태수, 분석프레음의 길이를 결정하였다. 16개의 Gaussian mixture와 10개의 상태를 가지는 CHMM (continuous density hibden Markov model)을 인식모델로 사용하였고 분석프레 임은 28 ms와 32 ms에서 최적의 결과가 발생하므로 두 경우에서 발생한 인식률의 평균을 사용하였다.
평가자료는 28489개의 숫자로 구성되어 있다. 예비실험을 통해서 최적화된 상태랑 연속분포함수 (mixture)의 수 상태수, 분석프레음의 길이를 결정하였다. 16개의 Gaussian mixture와 10개의 상태를 가지는 CHMM (continuous density hibden Markov model)을 인식모델로 사용하였고 분석프레 임은 28 ms와 32 ms에서 최적의 결과가 발생하므로 두 경우에서 발생한 인식률의 평균을 사용하였다.
부대역의 특징벡터를독립적으로 인식기에 사용하고, 마지막 단계에서 인식결과들을 통합하는 멀티 밴드 인식방법 대신에, 특징벡터에 통합하여 이용하여 부대역간의 상관관계를 유지하였다. 음성 인식률과 군집화 품질을 사용하여 부대역 특징벡터의 최적의 차원 조합을 찾았고, 이 조합을 TIDIGITS 연결 숫자음을 음성 인식 실험에 사용하여 전대역에서 특징을 추출하는 방법과 비교하였다. 각각 숫자열 인식률, 백분율 정확도, 백분율 정밀도 기준으로 오류를 38%, 32%, 37%감소시킴으로서 제안한방법의 유효성을 확인할 수 있었다.
부대역의 특징벡터를독립적으로 인식기에 사용하고, 마지막 단계에서 인식결과들을 통합하는 멀티 밴드 인식방법 대신에, 특징벡터에 통합하여 이용하여 부대역간의 상관관계를 유지하였다. 음성 인식률과 군집화 품질을 사용하여 부대역 특징벡터의 최적의 차원 조합을 찾았고, 이 조합을 TIDIGITS 연결 숫자음을 음성 인식 실험에 사용하여 전대역에서 특징을 추출하는 방법과 비교하였다. 각각 숫자열 인식률, 백분율 정확도, 백분율 정밀도 기준으로 오류를 38%, 32%, 37%감소시킴으로서 제안한방법의 유효성을 확인할 수 있었다.
음성인식률 기준 이외에 음성인식에 효과적인 특징벡터는음성인식 단위를 보다 더 잘 구분할 수 있다고 판단되므로, 이를 최적조합을 찾는데 이용할 수 있다. 음성인식 단위의 집합을C개의 클래스 D1, D2, …, Dc라하자또 특정 상세분석 켑스트럼 해상도 조합에 의해 추출된 특징 벡터의 집합을 D={x1, x2, …, xn}이라 하자 이들 특징벡터가 각 클래스를 얼마나 잘 구분할 수 있는지를 알아내기 위해 군집화 품질을 조사한다.
음성인식 단위의 집합을C개의 클래스 说, 玖, …, De라 하자 또 특정 상세분석 켑스트럼 해상도 조합에 의해 추출된 특징 벡터의 집합을 £>={孙, 維, ...次” }이라 하자 이들 특징벡터가 각 클래스를 얼마나 잘 구분할 수 있는지를 알아내기 위해 군집화 품질을 조사한다.
제안한 방법은 주어진 학습자료에서 최적의 부대역 특징추출을 결정한다. 따라서 본 연구의 실험자료인 영어 연결 숫자음 이외에 한국어 자료와 연속음성에 대해서 검증할 필요가 있다.
표 4에서는 정적인 파라미터를 사용하지 않고, 동적인 파라미터만을 사용하여 제안한 방법의 효과를 알아보았다. 제안한 방법은 숫자열 인식률 기준으로 오류를 32%, 백분율 정확도는 오류를 27%, 백분율 정밀도는 오류를 32% 감소시켰다.
대상 데이터
TIDIGITS 자료를 이용하여 인식실험을 수행하였다[15], 남성 55명, 여성 57명이 발성한음성을학습에 사용하였고, 학습에 사용되지 않은 남성 56명, 여성 57명이 발성한 음성을 평가자료로 사용하였다. 각 화자는 H개의 영어 숫자 "zero”, "oh”, “one”, "two", "thee", "four", five , six , seven , eight , nine 을 고립형태로 각각두 번씩, 두 자리부터 일곱 자리까지의 연결된 숫자를 55번 발성하였다.
TIDIGITS 자료를 이용하여 인식실험을 수행하였다[15], 남성 55명, 여성 57명이 발성한음성을학습에 사용하였고, 학습에 사용되지 않은 남성 56명, 여성 57명이 발성한 음성을 평가자료로 사용하였다. 각 화자는 H개의 영어 숫자 "zero”, "oh”, “one”, "two", "thee", "four", five , six , seven , eight , nine 을 고립형태로 각각두 번씩, 두 자리부터 일곱 자리까지의 연결된 숫자를 55번 발성하였다.
16개의 Gaussian mixture와 10개의 상태를 가지는 CHMM (continuous density hibden Markov model)을 인식모델로 사용하였고 분석프레 임은 28 ms와 32 ms에서 최적의 결과가 발생하므로 두 경우에서 발생한 인식률의 평균을 사용하였다. 모든 실험에서 주파수 전대역을 식 ⑴의 바아크 스케일을사용하여 균등한 19개의 간격으로분할한19개의 필터뱅크를사용하였다. 이로부터 켑스트럼과 델타 켑스트럼을 추출하여 인식에 사용하였다.
각 화자는 H개의 영어 숫자 "zero”, "oh”, “one”, "two", "thee", "four", five , six , seven , eight , nine 을 고립형태로 각각두 번씩, 두 자리부터 일곱 자리까지의 연결된 숫자를 55번 발성하였다. 평가자료는 28489개의 숫자로 구성되어 있다. 예비실험을 통해서 최적화된 상태랑 연속분포함수 (mixture)의 수 상태수, 분석프레음의 길이를 결정하였다.
데이터처리
예비실험을 통해서 최적화된 상태랑 연속분포함수 (mixture)의 수 상태수, 분석프레음의 길이를 결정하였다. 16개의 Gaussian mixture와 10개의 상태를 가지는 CHMM (continuous density hibden Markov model)을 인식모델로 사용하였고 분석프레 임은 28 ms와 32 ms에서 최적의 결과가 발생하므로 두 경우에서 발생한 인식률의 평균을 사용하였다. 모든 실험에서 주파수 전대역을 식 ⑴의 바아크 스케일을사용하여 균등한 19개의 간격으로분할한19개의 필터뱅크를사용하였다.
예비실험을 통해서 최적화된 상태랑 연속분포함수 (mixture)의 수 상태수, 분석프레음의 길이를 결정하였다. 16개의 Gaussian mixture와 10개의 상태를 가지는 CHMM (continuous density hibden Markov model)을 인식모델로 사용하였고 분석프레 임은 28 ms와 32 ms에서 최적의 결과가 발생하므로 두 경우에서 발생한 인식률의 평균을 사용하였다. 모든 실험에서 주파수 전대역을 식 ⑴의 바아크 스케일을사용하여 균등한 19개의 간격으로분할한19개의 필터뱅크를사용하였다.
제안한 방법과 비교를 위해 주파수 전대역에서 추출된 켑스트럼을 사용하여 연결숫자 인식을 수행하였다. 그림 1은 벡터의 최고 차수를 io부터 16까지 변화시키고, 켑스트럼 0차를 포함한 특징 파라미터를 사용한 숫자열 인식률이다.
제안한 방법과 비교를 위해 주파수 전대역에서 추출된 켑스트럼을 사용하여 연결숫자 인식을 수행하였다. 그림 1은 벡터의 최고 차수를 io부터 16까지 변화시키고, 켑스트럼 0차를 포함한 특징 파라미터를 사용한 숫자열 인식률이다.
이론/모형
전대역에서 특징을 추출하게 되면 모든 필터뱅크의 에너지가동등한기여를 하게 된다. 본논문에서는 부대역 별로 독립적인 특징추출을 하기 위한 방법으로 멀티밴드 접근음성인식 방식을 사용한다. 멀티밴드 접근음성인식은 인간이 음성을 인식할 때, 전체 주파수 대역을 대상으로 하지 않고 다수의 부대역으로 나누고 독립적으로 인식한다는 연구결과에 기반을 두고 있다[10].
전대역에서 특징을 추출하게 되면 모든 필터뱅크의 에너지가동등한기여를 하게 된다. 본논문에서는 부대역 별로 독립적인 특징추출을 하기 위한 방법으로 멀티밴드 접근음성인식 방식을 사용한다. 멀티밴드 접근음성인식은 인간이 음성을 인식할 때, 전체 주파수 대역을 대상으로 하지 않고 다수의 부대역으로 나누고 독립적으로 인식한다는 연구결과에 기반을 두고 있다[10].
그림 3은 그림 2와 같은 조건에서 인식률 대신에 식〔6)의 통계치를 사용한 결과이다. 인식단위로 숫자를 사용하였고, 음성자료가 인식단위별로 분할되어 있지 않으므로 비터비 알고리즘을 사용하여 숫자열을 인식단위로 분할하여 실험에 사용하였다. 그림 2와 비교하면 전체적으로는 비슷한 결과를 보임으로서 , 음성 인식률을 기준으로 선택한 최적조합이 군집화의 품질로도 최적조합이 됨을 알 수 있다.
성능/효과
음성 인식률과 군집화 품질을 사용하여 부대역 특징벡터의 최적의 차원 조합을 찾았고, 이 조합을 TIDIGITS 연결 숫자음을 음성 인식 실험에 사용하여 전대역에서 특징을 추출하는 방법과 비교하였다. 각각 숫자열 인식률, 백분율 정확도, 백분율 정밀도 기준으로 오류를 38%, 32%, 37%감소시킴으로서 제안한방법의 유효성을 확인할 수 있었다.
최적 조합 (4, 3, 5)와 최고차수가 11인 최적 전대역 특징벡터를 사용한 인식률을 비교하면, 숫자열 인식률 기준으로 오류를 17%, 백분율 정확도는 오류를 21%, 백분율 정밀도는 오류를 18% 감소시켰다. 동적인 파라미터를 동시에 사용하는 표 2보다는 오류의 감소율이 적었지만 인식률이 향상되는 결과를 나타내었다.
이는 부대역과 전대역이 제공하는 음성인식을 위한 정보에 중복되지 않는 부분이 존재하고, 전대역의 스펙트럼 구조가 멀티밴드에서 주장하는 인간에 의한 음성인식과는 달리, 현재 컴퓨터에 의한 음성인식에 중요한 정보가 되기 때문이라 판단된다. 본 논문에서는 주파수 부대역별로 특징을 추출하지만, 부대역 특징에 대해 독립적인 인식기를 구성하지 않고 각 부대역의 특징을 하나로 통합하여 이용하므로 부대역간의 상관관계를 유지할 수 있다.
이는 부대역과 전대역이 제공하는 음성인식을 위한 정보에 중복되지 않는 부분이 존재하고, 전대역의 스펙트럼 구조가 멀티밴드에서 주장하는 인간에 의한 음성인식과는 달리, 현재 컴퓨터에 의한 음성인식에 중요한 정보가 되기 때문이라 판단된다. 본 논문에서는 주파수 부대역별로 특징을 추출하지만, 부대역 특징에 대해 독립적인 인식기를 구성하지 않고 각 부대역의 특징을 하나로 통합하여 이용하므로 부대역간의 상관관계를 유지할 수 있다.
이로부터 켑스트럼과 델타 켑스트럼을 추출하여 인식에 사용하였다. 실험에는 연결 숫자를 인식한 결과를 표시하였는데, 숫자열 인식률은 숫자열을 이루는 숫자가 모두 정확히 인식되었을 때의 비율이고, 백분율 정확도 (% correct)와 백분율 정밀도 (% accuracy)는 숫자열을 이루는 개별 숫자들이 정확히 인식된 비율인데, 백분율 정확도는 삽입 오류를 오류로 취급하지 않았을 때이고, 백분율 정밀도는 삽입 오류를 오류에 포함한 것이다.
제안한 방법은 숫자열 인식률 기준으로 오류를 32%, 백분율 정확도는 오류를 27%, 백분율 정밀도는 오류를 32% 감소시켰다. 정적인 파라미터를 동시에 사용하는 표 2보다는 오류의 감소율이 적었지만 정적인 파라미터만을 사용하는 표 3의 경우보다는 인식률이 향상되는 결과를 나타내었다.
표 4에서는 정적인 파라미터를 사용하지 않고, 동적인 파라미터만을 사용하여 제안한 방법의 효과를 알아보았다. 제안한 방법은 숫자열 인식률 기준으로 오류를 32%, 백분율 정확도는 오류를 27%, 백분율 정밀도는 오류를 32% 감소시켰다. 정적인 파라미터를 동시에 사용하는 표 2보다는 오류의 감소율이 적었지만 정적인 파라미터만을 사용하는 표 3의 경우보다는 인식률이 향상되는 결과를 나타내었다.
오류율은 (100-인식률)로 정의되는 오인식되는 비율이며, 상대적인 오류율감소는 (제안방법의 오류율/ 기준방법의 오류율)로 정의된다. 제안한 방법인 최적 조합 (4, 3, 5)와 전대역 켑스트럼의 인식률 표 1을 비교하면 숫자열 인식률로는 오류를 38%, 백분율 정확도는 오류를 32%, 백분율 정밀도는 오류를 37% 감소시켰다
표 2는 정적인 특징과 동적인 특징을 동시에 사용한 실험 결과이나, 표 3은동적인 파라미터를 제외하고 정적인 파라미터만을 사용하여 음성인식기의 기준 성능을 낮추어서 제안한 방법의 효과를 알아 본 결과이다. 최적 조합 (4, 3, 5)와 최고차수가 11인 최적 전대역 특징벡터를 사용한 인식률을 비교하면, 숫자열 인식률 기준으로 오류를 17%, 백분율 정확도는 오류를 21%, 백분율 정밀도는 오류를 18% 감소시켰다. 동적인 파라미터를 동시에 사용하는 표 2보다는 오류의 감소율이 적었지만 인식률이 향상되는 결과를 나타내었다.
후속연구
제안한 방법은 주어진 학습자료에서 최적의 부대역 특징추출을 결정한다. 따라서 본 연구의 실험자료인 영어 연결 숫자음 이외에 한국어 자료와 연속음성에 대해서 검증할 필요가 있다. 또한 주파수 부대역별 최적화를 위해 특징벡터의 해상도만을 조절하였으나, 부대역별로 최적화된 변환이나 특징추출을 사용하면 더욱 효과적 일 것으로 판단된다.
제안한 방법은 주어진 학습자료에서 최적의 부대역 특징추출을 결정한다. 따라서 본 연구의 실험자료인 영어 연결 숫자음 이외에 한국어 자료와 연속음성에 대해서 검증할 필요가 있다. 또한 주파수 부대역별 최적화를 위해 특징벡터의 해상도만을 조절하였으나, 부대역별로 최적화된 변환이나 특징추출을 사용하면 더욱 효과적 일 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.