$\require{mediawiki-texvc}$

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.

잡음 환경에서 음성인식을 위한 스펙트럼 기울기의 효과적인 보상 방법
Efficient Compensation of Spectral Tilt for Speech Recognition in Noisy Environment 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.17 no.1, 2017년, pp.199 - 206  

조정호 (동서울대학교 디지털전자과)

초록
AI-Helper 아이콘AI-Helper

환경 잡음은 음성인식 시스템의 성능을 떨어뜨릴 수 있다. 이 논문은 인식 시스템이 잡음에 강인하도록 만들기 위하여, 켑스트럼에 기초한 특징 보상을 수행하는 과정을 제시한다. 이 방법은 부가적인 잡음의 영향을 제거하기 위한 직접적인 스펙트럼 기울기 보상에 기초를 둔다. 잡음 보상 방법은 로그 전력 스펙트럼의 스펙트럼 기울기 계산에 의하여 캡스트럼 영역에서 동작한다. 스펙트럼 보상은 SNR에 의존하는 켑스트럼 평균 보상 방법과 함께 사용된다. 백색 가우스 잡음, 지하철 잡음 및 자동차 잡음에 있는 조건에서, 실험 결과는 제안한 보상 방법이 여러 SNR에서 인식률을 상당히 개선한다는 것을 보여준다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Environmental noise can degrade the performance of speech recognition system. This paper presents a procedure for performing cepstrum based feature compensation to make recognition system robust to noise. The approach is based on direct compensation of spectral tilt to remove effects of additive noi...

주제어

#speech recognition   #spectral tilt   #cepstral mean   #spectral compensation  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 잡음이 있는 환경에서 스펙트럼 기울기의 보상 방법을 제시하였다. 이 방법은 잡음에 왜곡된 음성신호에 대해 켑스트럼에 기초한 특징 벡터 보상을 수행하는 것으로 스펙트럼 기울기 보상과 켑스트럼 평균 보상에 기초를 둔다.
  • 부가적인 잡음이 있는 음성신호는 깨끗한 음성신호의 음성신호에 비해, 스펙트럼 기울기(spectral tilt)와 켑스트럼 평균(cepstral mean)이 다르다. 본 논문은 잡음이 있는 음성인식 환경에서 스펙트럼 기울기의 효과적인 보상 방법을 제시한다. 이 방법은 잡음에 왜곡된 음성신호에 대해 켑스트럼에 기초한 특징 벡터 보상을 수행하는 것으로, 스펙트럼 기울기 보상(spectral tilt compensation)과 켑스트럼 평균 보상(cepstral mean compensation)으로 이루어져 있다.

가설 설정

  • 예측계수 ai는 짧은 구간의 프레임에서 계산된다. 이 구간에서 성도 구조는 안정된 상태(stationary)로 가정한다. LP 켑스트럼 계수(linear prediction cepstral coefficient) c(k) (k≥1)은 다음과 같이 예측계수 ai에서 직접 구할 수 있다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
잡음 음성인식이란? 잡음 음성인식은 잡음으로 인해 저하된 음성인식 시스템의 성능을 향상시키는 기술로서, 다양한 방법으로 잡음의 영향을 최소화하는 연구가 발표되고 있다[1-4]. 잡음이 섞인 음성에서 잡음을 필터링하거나 깨끗한 음성의 파라미터를 추정하는 방법에는 Wiener 필터링[5], Kalman 필터링[6], 스펙트럼 차감(spectral subtraction)[7] 및 켑스트럼 평균 차감(CMS: cepstral mean subtraction)[8] 등의 방법이 있다.
음성인식 시스템의 성능을 떨어뜨리는 음향학적 왜곡의 중요한 원인은? 음성인식 시스템의 성능을 떨어뜨리는 음향학적 왜곡(acoustical distortion)은 여러 가지가 있다. 그 중 가장 중요한 원인은 부가적인 잡음이다. 음성인식 시스템의 훈련과정이나 인식과정에서 잡음환경이 서로 같으면 음성 인식기는 가장 좋은 인식 성능을 가진다.
스펙트럼 차감은 어디에 이용되는가? 잡음이 섞인 음성에서 잡음을 필터링하거나 깨끗한 음성의 파라미터를 추정하는 방법에는 Wiener 필터링[5], Kalman 필터링[6], 스펙트럼 차감(spectral subtraction)[7] 및 켑스트럼 평균 차감(CMS: cepstral mean subtraction)[8] 등의 방법이 있다. 특히 스펙트럼 차감은 배경 잡음의 차감에 효과적이며 음성인식, 음성 향상(speech enhancement) 및 화자 확인(speaker verification)에 널리 이용된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. P. J. Moreno, Speech Recognition in Noisy Environments, Ph. D, Dissertation, Carnegie Mellon University, 1996. 

  2. H. Hermansky, "RASTA processing of speech," IEEE Trans. Speech Audio processing, vol. 2, pp. 578-589, Oct. 1994. DOI: https://doi.org/10.1109/89.326616 

    상세보기 crossref

  3. M. J. Gales, S. Young, "Robust speech recognition using parallel model combination," IEEE Trans. Speech Audio processing, vol. 4. pp. 352-359, Sep. 1996. 

    상세보기 crossref

  4. J. Y. Ahn, Y. S. Kim, S. H. Kim, K. I. Hur, "A Study on Voice Recognition Pattern matching level for vehicle ECU control," The Journal of The Institute of Internet, Broadcasting and Communication (JIIBC), Vol. 10, No. 1, pp.75-80, Feb. 2010. 

  5. S. V. Vaseghi and B. P. Milner, "Noise compensation methods for hidden Markov model speech recognition in adverse environments," IEEE Trans. Speech and Audio Processing, vol. 5, No. 1, pp. 11-21, Jan. 1997. 

    상세보기 crossref

  6. D. C. Popescu and I. Zeljkovic, "Kalman filtering of colored noise for speech enhancement," ICSLP'96, Philadelphia, vol. 1, pp.426-429, Oct. 1996. 

  7. S. F. Boll, "Suppression of acoustic noise in speech using spectral subtraction," IEEE Trans. Acoust., Speech, Signal Processing, vol. ASSP-27, no. 2, pp. 113-120, Apr. 1979. 

  8. D. Naik, "Pole-filtered cepstral mean subtraction," ICSLP'95, Detroit, vol. 1, pp. 157-160, May, 1995. 

  9. L. R. Rabiner and R. W. Schafer, Digital Processing of Speech Signals, Prentice-Hall, 1978. 

  10. J. Deller, Jr, J. Proakis and J. Hansen, Discrete-Time Processing of Speech Signals, Macmillan Publishing Co, New York, 1993. 

  11. V. Goncharoff, E. VonColln, and R. Morris, "Efficient calculation of spectral tilt from various LPC parameters," Proc. IASTED, pp. 60-63, Nov. 1995. 

  12. A. Oppenheim and D. Johnson, "Discrete representation of signals," Proc. of IEEE, vol. 60, no. 6, pp. 681-691, June, 1972. 

    상세보기 crossref

  13. P. A. Regalia, S. K. Mitra and P. P. Vaidyanathan, "The digital all-pass filter: A versatile signal processing building block," Proc. of IEEE, vol. 76, no. 1, pp. 19-37, Jan. 1988. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

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