6.4.9 SpectralMeanNormalization

6.4.9.1 ノードの概要

入力音響特徴量から特徴量の平均を除去することを意図した ノードである．ただし，実時間処理を実現するためには， 当該発話の平均を除去することができない問題がある． 当該発話の平均値をなんらかの値を用いてい推定あるいは，近似する必要がある．

6.4.9.2 必要なファイル

無し．

6.4.9.3 使用方法

どんなときに使うのか

音響特徴量の平均を除去したい時に使用する．音響モデル学習用音声データと 認識用音声データの収録環境の平均値のミスマッチを除去できる．

音声収録環境においてマイクロホンの特性は，統一できないことが多い． 特に，音響モデル学習時と認識時の音声収録環境は，必ずしも等しくない． 通常，学習用の音声コーパス作成者と，認識用音声データの収録者が異なる から環境を揃えることは困難である．従って，音声の収録環境に依存しない 特徴量を用いる必要がある．

例えば，学習データ収録に使用するマイクロホンと認識時に使用するマイクロ フォンは通常異なる．マイクロホンの特性の違いが，収録音の音響特徴のミス マッチとして現れ，認識性能の低下を招く．マイクロホンの特性の違いは，時 不変であり，平均スペクトルの差となって現れる．従って，平均スペクトルを除 去することで，簡易的に収録環境に依存した成分を特徴量から除去できる．

典型的な接続例

6.4.9.4 ノードの入出力とプロパティ

入力

FBANK

: Map<int, ObjectRef> 型．音源 ID と特徴量ベクトルの Vector<float> 型のデータのペア．

SOURCES

: Vector<ObjectRef> 型である．音源位置．

出力

OUTPUT

: Map<int, ObjectRef> 型．音源 ID と特徴量ベクトルの Vector<float> 型のデータのペア．

パラメータ

FBANK_COUNT

: int 型である．値域は 0 または正の整数である．

6.4.9.5 ノードの詳細

入力音響特徴量から特徴量の平均を除去することを意図した ノードである．ただし，実時間処理を実現するためには， 当該発話の平均を除去することができない問題がある． 当該発話の平均値をなんらかの値を用いてい推定あるいは，近似する必要がある．

当該発話の平均を除去する替りに，前発話の平均を近似値とし，除去することで 実時間平均除去を実現する．この方法では，更に音源方向を考慮しなければならない． 音源方向によって伝達関数が異なるため，当該発話と前発話が異なる方向から 受音された場合には，前発話の平均は，当該発話の平均の近似として 不適当である．この場合，当該発話の平均の近似として，当該発話よりも 前に発話されかつ，同方向からの発話の平均を用いる．

最後に以後の平均除去に備え，当該発話の平均を計算し，当該発話方向の 平均値としてメモリ内に保持する． 発話中に音源が10 [deg] 以上移動する場合は，別音源として，平均を計算する．