초록

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

정보 통신 분야의 발달로 사람들의 전화 사용이 늘어나고 또한 전화기에 여러 가지 멀티미디어 기능들이 추가되면서 음성 인식의 필요성이 점차 증가하고 있다. 그러나 현재의 기술로는 음성 인식의 성능이 사람들의 기대치를 만족시키지 못하고 있다. 본 연구에서는 G.723을 이용한 네트워크 상에서 음성 인식 시간을 줄이고 같은 차수에서 더 좋은 음성 인식 성능을 얻을 수 있는 방법에 대해 연구하였다. 일반적인 보코더는 채널을 통과시킬 때 왜곡을 최소화 하기 위해 양지화할 때 안정적이라고 알려져 있는 LSP 파라메터를 양자화하여 전송한다. 전송된 양자화된 LSP 파라메터는 복호화기를 통과하게 되는데 본 연구에서는 양자화된 LSP 파라메터를 음성인식에 직접 이용하여 음성 합성한 후 음성 특징 파라메터를 추출하는 시간을 줄일 수 있고 음성 합성시 왜곡을 미연에 방지할 수 있다. 본 연구에서는 변별적인 기준에 의해 특징 벡터 요소들을 순서화를 이용하여 음성 특징 벡터의 차수를 동적으로 조절할 수 있는 방법을 G.723에 적용시켜 보았다. 순서화 된 음성 특징 요소들 중에서 인식 목적에 적절한 차수를 선정하며 차수를 줄이면서도 음성인식 성능은 유지 또는 향상시킬 수 있음을 확인하였다. 특히 네트워크 통신망에서도 음성인식 성능을 향상시킬 수 있음을 확인하였고, 기존의 합성음에서 음성인식을 하는 방법보다 시간도 크게 단축할 수 있었다.

정보 통신 분야의 발달로 사람들의 전화 사용이 늘어나고 또한 전화기에 여러 가지 멀티미디어 기능들이 추가되면서 음성 인식의 필요성이 점차 증가하고 있다. 그러나 현재의 기술로는 음성 인식의 성능이 사람들의 기대치를 만족시키지 못하고 있다. 본 연구에서는 G.723을 이용한 네트워크 상에서 음성 인식 시간을 줄이고 같은 차수에서 더 좋은 음성 인식 성능을 얻을 수 있는 방법에 대해 연구하였다. 일반적인 보코더는 채널을 통과시킬 때 왜곡을 최소화 하기 위해 양지화할 때 안정적이라고 알려져 있는 LSP 파라메터를 양자화하여 전송한다. 전송된 양자화된 LSP 파라메터는 복호화기를 통과하게 되는데 본 연구에서는 양자화된 LSP 파라메터를 음성인식에 직접 이용하여 음성 합성한 후 음성 특징 파라메터를 추출하는 시간을 줄일 수 있고 음성 합성시 왜곡을 미연에 방지할 수 있다. 본 연구에서는 변별적인 기준에 의해 특징 벡터 요소들을 순서화를 이용하여 음성 특징 벡터의 차수를 동적으로 조절할 수 있는 방법을 G.723에 적용시켜 보았다. 순서화 된 음성 특징 요소들 중에서 인식 목적에 적절한 차수를 선정하며 차수를 줄이면서도 음성인식 성능은 유지 또는 향상시킬 수 있음을 확인하였다. 특히 네트워크 통신망에서도 음성인식 성능을 향상시킬 수 있음을 확인하였고, 기존의 합성음에서 음성인식을 하는 방법보다 시간도 크게 단축할 수 있었다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 방법
• 연구 결과

제안 방법

• PLFKPerceptual Linear Prediction) 등에 비충H 서 는 연구가 부족한 상황이다. 본 연구에서는 LSP 에서 PCEP(Pst?udo-Cepstrum)을 구하여 인식에 사용하고 객관적인 기준에 의해서 특징 벡터를 순서화한다. 순서화에 사용되는 기준은 음성인식에 기여도를 거리로 표현한다.
• 본 연구에서는 음-성 특징 벡터로 LSP 파라메터률 사영-한다. 지금까지 음성인식에 LSP 를 이용하지 않은 깃은 아니지만, 다른 특징 파라메터, LPC(Linsr Predictive Coefficients), MKCC(Mel-frequency Cepstral Coefficients), 그리고 요즘 많이 사용하는.
• 학습과성에서 는 음성 특징 벡터의 연속 확률 밀도 함수에 대한 평 간과 분산으至 이두、어진 각 state에 대한 관측확률과 state 간 천 이 확률을 Baum-Welch re -estimation에 의해 구한다. 인식 과정에서 는 Viterbi 탐색으로 구해진 확률값을 이용하여 입력된 음성과 가장 가까운 모델을 인식단어로 결정하였다.

대상 데이터

• 위의 그림과 같이 3종류의 음성특징 벡터 집합을 선정하여 실험을 하였다. 실험 방법은 2.

데이터처리

• 위의 그림과 같이 3종류의 음성특징 벡터 집합을 선정하여 실험을 하였다. 실험 방법은 2.3 에서 나온 변별적인 음성특징 벡터 선정 방법을 적용한 결과(£(/)와 적용하지 않은 결과를 서로 비교하였고, 본 연-亍와 비슷한 연〒논문과도 인식 결과를 비교하여 보았다.

이론/모형

• 모든 PLU HMMs 을 supervised maximum likelihood 방법으로 학습을 한 후, 훈련 데이터에서 인식 실험을 수행한匸k DP는 참조 PLU 열과 인식한 결과를 정열(align)한다. 모든 대체(substitution)나 삽입(inserfion) 에러를 찾기 위해 잘못 인식된 incorrect PLI: 모델(和))에 정열된 프레임들万 )을 잦아낼 수 있다.
• 본 연구에서 사용한 통계적 문법운 PLU 단위토 모델을 〒성하여 phone bigram을 사용하였다.
• 본 연구에서는 CHMM 을 사용하였고, 사용한 모델은 3 state인 단순 left-to-right 모델을 사용하였다. 처음과 끝은 dummy stat© 로 되어 있다.
• 처음과 끝은 dummy stat© 로 되어 있다. 학습과성에서 는 음성 특징 벡터의 연속 확률 밀도 함수에 대한 평 간과 분산으至 이두、어진 각 state에 대한 관측확률과 state 간 천 이 확률을 Baum-Welch re -estimation에 의해 구한다. 인식 과정에서 는 Viterbi 탐색으로 구해진 확률값을 이용하여 입력된 음성과 가장 가까운 모델을 인식단어로 결정하였다.

성능/효과

• 본 연구는 G.723 에서 사용되고 있는 파라메터인 LSP 11차 를 직접 인식에 이용하여 계산적으로도 빠르게 구할 수 있고 彳텍 자체의 차수를 二丄대로 이용함으로 추가의 음성인식 벡터 추출 과정이 없이 인식 실험이 성공적임을 보여주고 있다. 또한 적은 차수에서도 인식률을 높이기 위하여 변별적인 음성인식 추줄방법[2]을 G.
• 기존의 연구 결과 [3] 는 아래와 같은 인식률을 나타내었匚卜. 본 연구의 연구 결과는 음성 인식 feature 종류도 LSP 에서 뽑은 PCEKPseude Cepstrum)[4] 을 사용하였고 차수 26차 보다 적은 11 차와 22차를 이용하였기 때문에 직접적인 비교 는 할 수 없지만 좋은 인식 결과를 얻을 수 있었다.

후속연구

• 잘못 인식된 PLU 에 대한 평균 거리이므로 값이 클수록 더 올바른 인식 쪽에 가깝다는 것 이匚L 평간 거리별로 음성특징 베 터의 각 요소룔 값이 큰 순서대로 나열한 다음 원하는 차수를 징해 그만큼만 인식에 이용한다면 인식 성능에 기여도가 큰 요소 둘로만 인식을 수행하므로 인식률은 당연히 증가할 것이다. 자수를 조절할 수 있다면 네트워크 통신상에서 교환기, 혹은 단말기 파워가 가능한 적절한 차수로 음성인식을 할 수 있을 것으로 기대한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기