MFCCExtraction

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．音源IDとMFCC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．

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．デフォルト値は24である．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．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．

NUM CEP :int型．リフタリングで残すケプストラム係数の数．デフォルト値は12．値域は，正の整数．値を 大きくすると音響特徴量の次元数が増える．より細かなスペクトル変化を表現する音響特徴量が求まる．

USE POWER :bool型．対数パワーを特徴量に含めて出力する場合はtrue指定．

ノードの詳細

音響特徴量の1つであるメルケプストラム係数(MFCC : Mel-Frequency Cepstrum Coefficients)と対数パワー を求める．MFCC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．

対数スペクトルに，三角窓のフィルタバンクをかける．三角窓の中心周波数は，メルスケール上で等間隔に なるように配置する．各フィルタバンクの出力対数エネルギーーをとり，離散コサイン変換(Discrate Cosine Transform)する．得られた係数をリフタリングした係数がMFCCである．

本ノードの入力部のFBANKには， 各フィルタバンクの出力対数エネルギーーが入力されることが前提で ある．

フレーム時刻 f におけるFBANKへの入力ベクトルを，

x(f) = [x(f,0),x(f,1),· · ·,x(f,P−1)]^T (6.97) 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， メルケプストラム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，メルケプ ストラム係数で，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，

y(f) = [y(f,0),y(f,1), . . . ,y(f,P−1),E]^T (6.98) y(f,p) = L(p)·

√2

P·

P−1

∑

q=0

{

log(x(q)) cos

(π(p+1)(q+0.5) P

)}

(6.99)

ただし，Eは，パワー項（後述）で，リフタリング係数は，

L(p) = 1.0+Q 2 sin

(π(p+1) Q

), (6.100)

である．ただし，Q=22である．

パワー項は，SPECTRUM部の入力ベクトルから求める．入力ベクトルを

s = [s(0), . . . ,s(K−1)]^T, (6.101) と表す．ただし，Kは，FFT長である．Kは，SPECTRUMに接続されたMapの次元数によって決る．対数パ ワー項は，

E = log (1

K

K−1

∑

k=0

s(k) )

(6.102)