$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 감마톤 특징 추출 음향 모델을 이용한 음성 인식 성능 향상
Speech Recognition Performance Improvement using Gamma-tone Feature Extraction Acoustic Model 원문보기

디지털정책연구 = The Journal of digital policy & management, v.11 no.7, 2013년, pp.209 - 214  

안찬식 (광운대학교 컴퓨터공학과) ,  최기호 (광운대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

음성 인식 시스템에서는 인식 성능 향상을 위한 방법으로 인간의 청취 능력을 인식 시스템에 접목하였으며 잡음 환경에서 음성 신호와 잡음을 분리하여 원하는 음성 신호만을 선택할 수 있도록 구성되었다. 하지만 실용적 측면에서 음성 인식 시스템의 성능 저하 요인으로 인식 환경 변화에 따른 잡음으로 인한 음성 검출이 정확하지 못하여 일어나는 것과 학습 모델이 일치하지 않는 것을 들 수 있다. 따라서 본 논문에서는 음성 인식 향상을 위해 감마톤을 이용하여 특징을 추출하고 음향 모델을 이용한 학습 모델을 제안하였다. 제안한 방법은 청각 장면 분석을 이용한 특징을 추출을 통해 인간의 청각 인지 능력을 반영하였으며 인식을 위한 학습 모델 과정에서 음향 모델을 이용하여 인식 성능을 향상시켰다. 성능 평가를 위해 잡음 환경의 -10dB, -5dB 신호에서 잡음 제거를 수행하여 SNR을 측정한 결과 3.12dB, 2.04dB의 성능이 향상됨을 확인하였다.

Abstract AI-Helper 아이콘AI-Helper

Improve the recognition performance of speech recognition systems as a method for recognizing human listening skills were incorporated into the system. In noisy environments by separating the speech signal and noise, select the desired speech signal. but In terms of practical performance of speech r...

Keyword

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 음성 인식 시스템의 실용적 측면에서 인식 성능이 떨어지는 주요 원인은 인식 환경 변화에 따른 잡음으로 인한 음성 검출이 정확하지 않은 문제와 학습 모델이 일치하지 않는 문제이다[4]. 따라서 음성 인식 성능 향상을 위해 잡음을 분리하여 잡음에 강인한 음성 특징을 추출하기 위해 본 논문에서는 감마톤의 ERB 필터 뱅크 켑스트럼을 이용하여 특징 추출하였고 음성 인식율 향상을 위해 음향 모델을 이용한 학습 모델을 구성하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
잡음을 분리하여 잡음에 강인한 음성 특징을 추출하기 위한 방법은? 음성 인식 시스템의 실용적 측면에서 인식 성능이 떨어지는 주요 원인은 인식 환경 변화에 따른 잡음으로 인한 음성 검출이 정확하지 않은 문제와 학습 모델이 일치하지 않는 문제이다[4]. 따라서 음성 인식 성능 향상을 위해 잡음을 분리하여 잡음에 강인한 음성 특징을 추출하기 위해 본 논문에서는 감마톤의 ERB 필터 뱅크 켑스트럼을 이용하여 특징 추출하였고 음성 인식율 향상을 위해 음향 모델을 이용한 학습 모델을 구성하였다.
음성 인식 시스템의 실용적 측면에서 인식 성능이 떨어지는 주요 원인은? 음성 인식 시스템의 실용적 측면에서 인식 성능이 떨어지는 주요 원인은 인식 환경 변화에 따른 잡음으로 인한 음성 검출이 정확하지 않은 문제와 학습 모델이 일치하지 않는 문제이다[4]. 따라서 음성 인식 성능 향상을 위해 잡음을 분리하여 잡음에 강인한 음성 특징을 추출하기 위해 본 논문에서는 감마톤의 ERB 필터 뱅크 켑스트럼을 이용하여 특징 추출하였고 음성 인식율 향상을 위해 음향 모델을 이용한 학습 모델을 구성하였다.
MFCC의 특징은? 음성 인식을 위한 특징 추출은 인간의 청취 능력을 위주로 주관적인 인지 능력을 반영하여 기본적인 주파수를 mel-scale로 변형한 필터 뱅크를 비선형적으로 분포시켜 사용한다. 이러한 필터 뱅크를 사용해서 구한 음성 벡터를 MFCC라 한다[5].
질의응답 정보가 도움이 되었나요?

저자의 다른 논문 :

활용도 분석정보

상세보기
다운로드
내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로