音声認識特論 Professor Nishi's Lectures

(1)

音声認識特論 ( 第 5 回目 )

2017 年 10 月 20 日

西宏之

(2)

音声認識特論レポート１につ

いて

• 次のような、母音認識プログラムを作成

せよ

• 「ア」、「イ」、「ウ」、「エ」、

「オ」の５つの母音をあらかじめ録音

し、ケプストラムを求めた結果が下の５

つのテキストファイルに納めてある

– 　　 1.txt ：　「ア」 – 　　 2.txt ：　「イ」 – 　　 3.txt ：　「ウ」 – 　　 4.txt ：　「エ」 – 　　 5.txt ：　「オ」

(3)

• ファイルの形式はいずれもテキスト形式で、 40 個の実数データ (float) が入っている。データとデータの間は半角スペースで区切られている。

• 認識したい未知の音声のケプストラムデータは、　 rec.txt 　に上記と同じ形式で書き込まれている。

• _1.txt ～ 5.txt 　と　 rec.txt 　の計６つのファイルを読み込み、 rec.txt が「ア」～「オ」のいずれの母音であるかを認識するプログラムを作成せよ。

• レポート用紙の表面にソースリストを、裏面に実行結果を印刷して提出せよ。

• なお、番号氏名は、ソースリスト中にコメント文で記入せよ。

(4)

〆切： 11 月 17 日 ( 金 ) の 17 時ま

で

• 標準パターンが５つでなく、 100 個くら

いあっても構わないようにせよ。

• つまり「数字 .txt 」というファイル名をプ

ログラムで合成し，その名前でファイル

を開いて読込むようにすればよい．

• 数値を文字列に変換するには関数「 itoa

() 」が使える．使い方はネットか教科書で

調べること．

(5)

( _{ア )}

拡大

有声音声帯の振動数

( _{ア ) らし} さケプストラ

ム

この間

くり返し周波数男： 70~150Hz 女： 150~400Hz

ローパスフィルタで高周波成

分をカット

成分　　２乗

40個程度の棒グラフ状のデータ

（ 40 次元のフィルターバンク）

音の工学の基礎の基礎

電圧

一つ一つの大きさを　　　　で表す

t

f (t)

x

i

(6)

処理の流れ

① 学習：５つ ( あ，い，う，え，お ) の標

準パターンを作成 ( 各々の　　 ) 　→今

日はここまでやる

② 認識１：未知の音　　　　と各標準パ

ターンとの距離を計算する

③ 認識２：距離の最も小さかった標準パ

ターンのカテゴリーを認識結果として出

力する．

x

i

y

i

(7)

① 学習

• 周波数特性 ( フィルターバンク出力 )

• 「ア」「イ」「ウ」「エ」「オ」の各々

の wav ファイルを読込み，各周波数帯ご

との成分を出力する

• 出力した周波数特性はファイル番号を付

したファイル名で格納する．

• 使うプログラムは「 FFT-filter-bank.cpp 」

• 一つのフォルダーに，プログラム，音声

ファイル，バッチファイルを置く

(8)

FFT-filter-bank.cpp _{の』使い方}

• _{沢山のオプションあり}

• FFT-filter-bank filename samples_in_window samples_shift bank_number

• 　　　　　　　 1 　　　　　　　 2 　　　　　　　 3 　　　　　　　　　 4

• 実際のプログラム起動はバッチファイルを用いるとよい．

• バッチファイルとは？→拡張子は　「 .bat 」

• _{例えば．．．}

• for %%A IN (*wav) DO FFT-filter-bank %%a 512 256 40

• 　　　　　　　↓↓↓ ↓↓↓ ↓↓↓ ↓↓↓ ↓↓↓ ↓↓↓ ↓↓

↓ ↓↓↓

• 「拡張子 wav を含むすべてのファイルをひとつずつ読み込み， DO 以下のプログラムを起動する」という意味のスクリプトである．

(9)