2.4 はじめての音声認識

Problem

HARK を使って音声を認識してみたいが，やり方が分からない．

Solution

HARK を使って音声認識をするためには，大きく分けて二つの処理が必要と なる．

1. HARK を使って波形から認識のための特徴量を抽出する

2. Julius_mft を使って特徴量の認識を行う

処理に必要な各種ファイルやパラメータ設定などが複雑であるので， 全てを一から準備するより ap:samples]付録 の サンプルを参考に適宜変更を加えると良い．

2.4.1 特徴量抽出

:
HARK でサポートする特徴量 MSLS，MFCC を音声から抽出する ネットワークの作成方法について説明する．ここでは， 一般的に用いられる MSLS，$\Delta $ MSLS，$\Delta $パワー もしくは MFCC，$\Delta $ MFCC，$\Delta $パワーを抽出 するネットワークについて説明する．

Figure 2.12: MSLS

Figure 2.13: MFCC

図 2.12，2.13 は周波数領域の音声から MSLS，MFCC をそれぞれ抽出するネットワーク の例である．PreEmphasis ，MelFilterBank ，Delta ，FeatureRemover モジュールと MSLSExtraction もしくは MFCCExtraction モジュール を用いて特徴量を抽出している．最後の SpeechRecognitionClient モジュールは，抽出した特徴量を Julius_mft にソケット通信により送信 するためのモジュールである．音源方向ごとの認識を行うため，入力には 特徴量の他に音源定位結果も必要である．

特徴量抽出が正しくできているかを確認するためなど，ファイルに 特徴量を保存したい場合には，SaveFeatures ， SaveHTKFeatures モジュールを使用すると良い．

2.4.2 認識

:
認識は音声認識エンジン Julius を基に拡張された Julius_mft を用いて行う．基本的な使い方は Julius と同様であるため， Julius を使ったことのないユーザーは， Julius のウェブページ を参考に基本的な Julius の使い方を習得するとよい．

HARK で抽出した特徴量をソケット通信で受け取り認識を行うためには 設定ファイルの入力形式を “mfcnet” にする必要がある． 以下は設定の例である．

-input mfcnet
-plugindir /usr/lib/julius_plugin
-notypecheck
-h hmmdefs
-hlist triphones
-gram sample
-v sample.dict

このうち，はじめの 3 行は HARK から特徴量を送信して認識を 行うために必要となる．1 行目は特徴量をソケット通信で受けとるため， 2 行目はソケット通信を可能とするプラグインのインストールされている フォルダへのパスを指定するため，3 行目は Julius_mft の型チェックで HARK で抽出した MSLS 特徴量を使用するための設定である．このうち，2 つ目の パスは各自の環境に応じて適切に設定する必要がある．

Discussion

最もシンプルな方法の一つは，AudioStreamFromWave モジュールを使用して モノラルの音声を読み込み，図 2.12 の PreEmphasis モジュールにつなぐ (PreEmphasis モジュールに時間領域の音声波形を渡す)方法である．分離音の認識を行いたい 場合は，GHDSS モジュールの出力 (周波数領域の波形) を図  2.12 もしくは 2.12 の Synthesize モジュールにつなげば良い．

See Also

Julius_mft の設定に関しては，すでに述べた様に Julius とほとんど同じであるため， Julius のウェブページ を参考にするとよい． 特徴量については，c:Feature]特徴量抽出を， 認識に用いる音響モデルや言語モデルの作成については， c:Models]音響モデルと言語モデルを参考にすると良い． 認識の前に定位や分離などを行っている場合は，それぞれの段階で 正常に処理できているか一つ一つ確認する必要がある ( 「うまく録音できない」 「うまく定位できない」 「うまく分離できない」 「うまく認識できない」)