音声処理

「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。

• 戻る
  • 言語処理
  • 音声処理
    • 音声処理（AI）
  • 画像処理

目次 †

概要 †

音声処理について纏める。

音声合成 †

...

音声認識 †

音声認識とは？ †

音声 †

• 音声は、波形・スペクトルの系列データ。

• 正弦波の加算で合成が可能 → 分解も可能（高速フーリエ変換）。

• A/D変換
  • 標本化（サンプリング
  • 量子化（加工
  • 符号化（2進数

• 音韻・音素
  • 音韻：言語として認識される音の体系
  • 音素：ある言語の音声を音韻論的に考察して得た単位（音韻論で仮定された言語音の単位

認識 †

• 音声分析
  ウィンドウをズラして行って特徴ベクトル列を求める。

• コレを計算機で処理
  音素 → 音韻 → かな → 単語 → 文 → コマンド

• 音声認識：音素 → 音韻 → かな → 単語
  • HMM（隠れマルコフモデル）
  • DNN（ディープ・ニューラルネットワーク）

• バックエンドシステム：単語 → 文 → コマンド

音声認識の難しさ †

系列の対応付け †

複雑な長さが異なる系列の対応付け
（フレーム、音素、音節、単語）

• 系列長が極端に異なる。
• 非線形な時間短縮
• セグメント境界が曖昧

音響的特徴 †

• 時間分散して埋め込まれる。
• 文脈依存（音響的特徴と聞こえの関係が多対多）
  • 同じ音響的特徴の音が、文脈に応じて違う音に聞こえる。
  • 違う音響的特徴の音が、文脈に応じて同じ音に聞こえる。
  • 物理的にない音を与えたり、物理的にある音を削ったり。

処理方法 †

新・旧、２つの方法があるが根幹をなす考え方は普遍的。

生成モデル（旧） †

ベイズ統計のHMM（隠れマルコフモデル）を使う。

識別モデル（新） †

深層学習のDNN（ディープ・ニューラルネットワーク）を使う。