초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 기존의 확률적 화자군집 모델을 MLP(multi-layer perceptron)로 구현하는 방법과 원형 화자군집 모델이 갖는 문제를 해결할 수정 모델을 제시한다. 화자군집 모델은 화자등록 시간에 민감한 실용 환경에서 중요한 의미를 지닌다. 본 연구에서 사용한 인식단위는 여러 음소계열에서 지속적인 부분을 추출한 지속음이므로 화자등록과 증명 단계에서 특정한 어구에 한정되지 않는 어구독립 방식을 채택한다.

본 논문에서는 기존의 확률적 화자군집 모델을 MLP(multi-layer perceptron)로 구현하는 방법과 원형 화자군집 모델이 갖는 문제를 해결할 수정 모델을 제시한다. 화자군집 모델은 화자등록 시간에 민감한 실용 환경에서 중요한 의미를 지닌다. 본 연구에서 사용한 인식단위는 여러 음소계열에서 지속적인 부분을 추출한 지속음이므로 화자등록과 증명 단계에서 특정한 어구에 한정되지 않는 어구독립 방식을 채택한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 기존의 확률적 화자군집 모델을 MLP로 구현 하는 방법과 원형 화자군집 모델이 갖는 문제를 해결할 수정 모델을 제시했다. 화자군집 모델은 화자등록 시간에 민감한 실용 환경에서 중요한 의미를 지닌다.
• 생체 인식에 대한 관심이 고조되는 요즘 음성에 의한 화자 선별 및 ^^(identification & verification)에 대한 연구가 활발히 진행되고 있다. 본 논문에서는 최근 주목받고 있는 확률적 화자군집 평준화 방식 (speaker cohort normalization) 을 MLPfmulti-layer perceptron) 영역에서 구현하려는 시도룰 서 술한다. 본 연구에서 채택한 화자증명 방식은 단모음을 포함하는 지속음을 판별 대상으로 삼기 때문에 화자등록과 중명시도 의 단계에서 특정한 단어(word) 또는 어구(text)에 구애되지 않는 어구독립 중명이 가능하다.
• 이 같은 장점은 화자인식에서도 그대로 적용될 수 있다 [Naik94][Liou95][Fakotakis96]. 본 연구에서는 MLP의 이러한 장점과 화자군집 모델의 장점을 서로 결합시키려고 시도하였다.
• 이 문제를 해결하기 위해 [Isobe99]는 의뢰화자 의 위치에 따라 군집 모델을 재구성하는 방법을 시도하였다. 본 연구에서는 전체 화자를 대부분 대표하고 서로 상관성이 최소화된 작은 화자군집을 오프라인에서 형성하고 온라인에서의 뢰화자의 위치가 이러한 화자군집의 가장자리에 있는 경우 인근 군집들을 포함하는 더 큰 화자군집을 재구성하여 이를 학습 시키는 방법을 제안한다. 이 방법의 유효성은 최초의 화자군집 을 형성하는 방법에 달려있다.

제안 방법

• 이 둘에서 모음을 추출할 수 있는 인식기를 이용하여 남성 화자 2K445DB) + 3(611DB)명의 음성에서 /a/ 모음을 추출하였다. 16Bit, 16kl"로 샘플링되어 있는 각 음성에 32ms의 Hamming 필터를 10ms마다 씌워 프레임을 만들고 각 프레임에서 16차 Mel-scaled 필터뱅크 특징 [Rabinerg] 을 계산 하였다. 살험화자 중 15명을 MLP 훈련에 사용하고 9명을 증명 시험에 사용했다.
• 본 논문에서는 화자증명 문제만 다루고 있으므로 각 화자의 음성에서 음소를 인식하여 추출하는 부분을 생략한다. 또한 실험은 지속음 중에서 /a/ 모음에 한정하여 수행하였다.
• MLP의 분류 결정 기준은 MLP-1 의 경우 우세한 군집의 특징 프레임 수이고, MLP-2의 경우 50%를 기준으로 문턱값을 넘는 특징 프레임 수이다. 시험 화자 9명에 대한 오류률은 오인 거부율(false rejection)과 오인 수락률(false acceptance)로 나누고 /a/ 모옴 개수룰 1에서 5개까지 늘려가며 측정하였고 그 결과를 표1에 정리하였다.
• 실험은 세 방법으로 나누어 실시하였다.
• 실험에 사용한 데이터베이스는 ETRI에서 제작한 445 PBW 와 611이다. 이 둘에서 모음을 추출할 수 있는 인식기를 이용하여 남성 화자 2K445DB) + 3(611DB)명의 음성에서 /a/ 모음을 추출하였다. 16Bit, 16kl"로 샘플링되어 있는 각 음성에 32ms의 Hamming 필터를 10ms마다 씌워 프레임을 만들고 각 프레임에서 16차 Mel-scaled 필터뱅크 특징 [Rabinerg] 을 계산 하였다.
• 이 실험에서 사용된 MLP는 기본적인 MLP의 구조와 오류 역전파 알고리즘과 달리 입력 계층에 특징 프레임 3개만큼의 시간지연을 두고, 한 패턴이 프레임마다 차례로 모두 입력되었을 때 MLP 내의 전체 가중치 연결이 갱신되는 방식을 취한다. 이들은 입력 계층 지연이 3이고 첫 번째 은닉 계층 지연이 1인 TDNN(time-d의ay neural network)[Waibel89]의 방식을 도입한 것이다.
• 화자군집 모델은 화자등록 시간에 민감한 실용 환경에서 중요한 의미를 지닌다. 이 외에도 본 연구에서는 지속음을 인식단위로 하여 어구독립 화자증명을 지향하였으며 차후 부단어 단위 음성인식 기능을 추가함으로써 어구 요구 방식을 달성할 수 있도록 하였다. 비록 실험에서는 /a/ 모음에 대한 결과만 제시했지만 화자증명에 사용하는 평균적인 어구에서 지속음을 추출할 비음, 모음, 마찰음의 수가 실험에서보다 더 많을 것이므로 더 낮은 오류율을 기대할 수 있다.
• 차 이를 바탕으로 한다고 가정할 수 있다. 이에 따라, 본 연구에서는 지속적인 부분이 비교적 많은 비음, 모음, 마찰음에서 지 속부분을 채취하여 화자간 인식의 기본 단위로 사용한다.
• 학 습시 97개 패턴 중 10개를 사용하고 나머지 87개는 MLP 파라 미터와 문턱값 결정에 사용했다. 증명시 의뢰화자의 130개 패턴 중 10개를 학습에 사용하고 120개 패턴과 나머지 시험화자 의 모든 패턴을 오류율 측정에 사용했다.

대상 데이터

• 16Bit, 16kl"로 샘플링되어 있는 각 음성에 32ms의 Hamming 필터를 10ms마다 씌워 프레임을 만들고 각 프레임에서 16차 Mel-scaled 필터뱅크 특징 [Rabinerg] 을 계산 하였다. 살험화자 중 15명을 MLP 훈련에 사용하고 9명을 증명 시험에 사용했다. 실험화자의 /a/ 모음 개수는 훈련화자 당 97 개를 사용했고 증명화자 당 130개를 사용했다.
• 실험에 사용한 데이터베이스는 ETRI에서 제작한 445 PBW 와 611이다. 이 둘에서 모음을 추출할 수 있는 인식기를 이용하여 남성 화자 2K445DB) + 3(611DB)명의 음성에서 /a/ 모음을 추출하였다.
• 살험화자 중 15명을 MLP 훈련에 사용하고 9명을 증명 시험에 사용했다. 실험화자의 /a/ 모음 개수는 훈련화자 당 97 개를 사용했고 증명화자 당 130개를 사용했다.
• MLP-1 의 각 화자 군집에는 5명의 배경화자가 할당되고, 광역 모델의 MLP에도 이들이 할당되어 둥록시 의뢰화자의 경쟁 학습에 사용된다. 학 습시 97개 패턴 중 10개를 사용하고 나머지 87개는 MLP 파라 미터와 문턱값 결정에 사용했다. 증명시 의뢰화자의 130개 패턴 중 10개를 학습에 사용하고 120개 패턴과 나머지 시험화자 의 모든 패턴을 오류율 측정에 사용했다.

이론/모형

• ' 학습 과정 중에 의뢰 화자의 증명점수를 계산할 문턱값을 결정해야 한다(본 연구에서는 화자를 등록하는 학습과 구별하여 이 과정을 오프랑인 학습이라고 하고, 화자등록을 온라인 학습이라고 한다)이 값은 학습 화자만을 사용하여 각 화자에 대한 EER(equal error rate)을 구함으로써 결정한다. 본 연구에서는 EER을 달성하는 문턱값을 결정하기 위해 이분 탐색법 (binary search)을 사용한다. 화자군집의 문턱값은 군집 내 배 경화자의 문턱값을 평균하여 결정한다.

성능/효과

• 그러나 이 결과에서 기본 지역 모델에 비한 확장 지역 모델의 효과를 확인할 수 있다. 그리고 광역 모델에 비해 기본 지역 모델은 1/3, 확장 지역 모델은 2/3의 학습 화자만 사용함으로써 학습 계산량을 감소시킬 수 있었다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기