6.4.5 MSLSExtraction

6.4.5.1 ノードの概要

本ノードは，音響特徴量の１つであるメルスケール対数スペクトル (MSLS : Mel-Scale Log-Spectrum) と対数パワーを求める． メルスケール対数スペクトル係数と対数スペクトルパワーを 要素とする音響特徴量ベクトルを生成する．

6.4.5.2 必要なファイル

無し．

6.4.5.3 使用方法

どんなときに使うのか

メルスケール対数スペクトル係数と対数パワーを次元要素とする． 音響特徴量ベクトルを生成するために用いる． 例えば，音響特徴量ベクトルを音声認識ノードに入力し，音韻や話者を識別する．

典型的な接続例

6.4.5.4 ノードの入出力とプロパティ

入力

FBANK

: Map<int, ObjectRef> 型．音源 ID とフィルタバンクの 出力エネルギーから構成されるベクトルの
Vector<float> 型のデータのペア．

SPECTRUM

: Map<int, ObjectRef> 型．音源 ID と複素スペクトルから構成される ベクトルの
Vector<complex<float> > 型のデータのペア．

出力

OUTPUT

: Map<int, ObjectRef> 型．である．音源 ID と MSLS と対数パワー項から構成されるベクトルの Vector<float> 型のデータのペア．本ノードは， MSLS の静的特徴を求めるノードであるが，出力には，動的特徴量部を含んだベクトルを出力する．動的特徴量部分には， 0 が設定される．その様子を図 6.64 に示す．

パラメータ

FBANK_COUNT

: int 型．入力スペクトルにかけるフィルタバンク数． 値域は，正の整数． 値を大きくすると 1 バンク当りの担当周波数帯域が狭くなり， 周波数分解能の高い音響特徴量が求まる． 典型的な設定値は，13 から 24 である． ただし，現在の実装では，この値が 13 に固定されるよう最適化されているので， デフォルト値の利用を強く推奨する． より大きな FBANK_COUNT を設定すると，音響特徴をより精細に表現する． 音声認識には，必ずしも精細な表現が最適ではなく，発声する音響環境に依存する．

NORMALIZATION_MODE

: string 型．CEPSTRAL または SPECTRAL を指定可能． 正規化をケプストラムドメイン／スペクトラムドメインで行うかを選択．

USE_POWER

: trueにすると音響特徴量に対数パワー項を追加． falseにすると省略．音響特徴量にパワー項を利用することは稀であるが， 音声認識には，デルタ対数パワーが有効であるとされる．trueにし，後段で デルタ対数パワーを計算し，それを音響特徴量として用いる．

6.4.5.5 ノードの詳細

本ノードは，音響特徴量の１つであるメルスケール対数 スペクトル (MSLS : Mel-Scale Log-Spectrum) と対数パワーを求める． メルスケール対数スペクトル係数と対数スペクトルパワーを 次元要素とする音響特徴量を生成する．

本ノードの FBANK 入力端子には， 各フィルタバンクの出力対数エネルギーを 入力する．指定する正規化手法によって，出力する MSLS の計算方法が異なる．

以下で，正規化手法ごとに本ノードの出力ベクトルの計算方法を示す．

CEPSTRAL

: FBANK 端子への入力を，

$\displaystyle \boldsymbol {x} $

$\displaystyle = $

$\displaystyle [ x(0),x(1), \cdots , x(P-1) ]^ T $

(103)

と表す．ただし，$P$ は，入力特徴ベクトルの次元数で，FBANK_COUNT である． 出力されるベクトルは，$P+1$ 次元ベクトルで， MSLS 係数と パワー項から構成される．1 次元目から $P$ 次元目までは， MSLS で，$P+1$ 次元目は，パワー項である． 本ノードの出力ベクトルは，

	$\displaystyle \boldsymbol {y} $	$\displaystyle = $	$\displaystyle [y(0),y(1),\dots ,y(P-1), E]^ T $		(104)
	$\displaystyle y(p) $	$\displaystyle = $	$\displaystyle \displaystyle \frac{1}{P} \sum _{q=0}^{P-1} \Bigl \{ L(q) \cdot \sum _{r=0}^{P-1} \Bigl \{ \log (x(r)) \cos \Bigl ( \frac{ \pi q (r+0.5)}{P} \Bigr ) \Bigr \} \cos \Bigl ( \frac{\pi q (p+0.5) }{P} \Bigr ) \bigr \} $		(105)

である．ただし，リフタリング係数は，

$\displaystyle L(p) $

$\displaystyle = $

$\displaystyle \left\{ \begin{array}{ll} 1.0, & (p=0, \dots ,P-1), \\ 0.0, & (p=P, \dots ,2P-1), \\ \end{array} \right. $

(106)

とする．ただし，$Q=22$ である．

SPECTRAL

: FBANK 部の入力を

$\displaystyle \boldsymbol {x} $

$\displaystyle = $

$\displaystyle [ x(0),x(1), \cdots , x(P-1) ]^ T $

(107)

と表す．ただし，$P$ は，入力特徴ベクトルの次元数で，FBANK_COUNT である． 出力されるベクトルは，$P+1$ 次元ベクトルで， MSLS 係数と パワー項から構成される．1 次元目から $P$ 次元目までは， MSLS で，$P+1$ 次元目は，パワー項である． 本ノードの出力ベクトルは，

	$\displaystyle \boldsymbol {y} $	$\displaystyle = $	$\displaystyle [y(0),y(1),\dots ,y(P-1), E]^ T $		(108)
	$\displaystyle y(p) $	$\displaystyle = $	$\displaystyle \left\{ \begin{array}{ll} ( \log (x(p)) - \mu ) - 0.9 ( \log (x(p-1)) - \mu ), & if~ ~ p=1,\dots ,P-1 \\ \log (x(p), & if ~ ~ p=0, \\ \end{array} \right. $		(109)
	$\displaystyle \mu $	$\displaystyle = $	$\displaystyle \frac{1}{P} \sum _{q=0}^{P-1} \log (x(q)), $		(110)

である．周波数方向の平均除去と，ピーク強調処理を適用ている．

対数パワー項は，SPECTRUM 端子の入力を

$\displaystyle \boldsymbol {s} $

$\displaystyle = $

$\displaystyle [ s(0),s(1), \dots , s(N-1) ]^ T $

(111)

と表す．ただし，$N$ は，SPECTRUM 端子に接続された Map のサイズによって決る． Map は，0 から $\pi $ までのスペクトル表現を $B$ 個のビンに格納しているとすると， $N = 2(B-1)$ である．この時，パワー項は，

$\displaystyle p $

$\displaystyle = $

$\displaystyle \log \Bigl ( \frac{1}{N} \sum _{n=0}^{N-1} s(n) \Bigr ) $

(112)

である．