Acoustical Aooustioal Society Sooiety of Japan 11 本音響学会誌 65 巻 10 号 (2009 ),pp 解説 * 音声区間検出技術の最近の研究動向 石塚健太郎, 藤本雅清, 中谷智広 ( 日本電信電話株式会社 NTT コミュ

11

本音響 学会誌 65 巻 号 （ ）

，

pp

．

537 543

537

解

説

音

声 区 間

検

出技術

の

最近

の

研

究動向

＊

　　　　　　　

石

塚健

太

郎

，

藤 本 雅 清

，

中 谷 智 広

（日本 電 信 電話株式会 社 NTT コ ミュ ニケ

ー

ショ ン科学基礎研究所） ＊＊ 43

．

60

．

Bf；43

．

72

，

Ar

1

．

音

声 区

間

検 出技術

の

概 要

　

1

ユ 機 能 と 応 用 分 野

　

音 声 区 間

検

出

（

Voice

　

Activity

　

Detection

_；

VAD1

）

技 術と は

，音声

と そ れ以

外

の

_信

号が

含

ま れ る観 測 信 号の中か ら

，

音

声

信

号

の

含

まれ る区 間

（

音 声

区

間

）

とそれ 以 外の 区 間 （非 音 声 区 間 ） を 判

定 す

る

技術

である

（

図一

1

）

。

VAD

その _ものの _{機 能} は極 めて単 純で はある が_， 様々 な 音

声

処 理 技 術 に お い て重 要 な役 割 を果た す基 盤

要素技

術 である。

VAD

は， 以下の技 術 分 野を 主 な

応

用 分 野 とし， こ れ まで広 く

研 究

開 発が な されて き た。 音 声 符 号 化 技 術

　

音 声 信 号 を符 号 化 して伝 送 する際， 電 話や電 話

会議，

テ レ ビ

会議

な どで生 じ る

非音声 区間

を

取

り 除い _{て音 声 区 間}だけ を伝 送で きれ ば， 効 率 的 な 帯 域

利用

が 可

能

と なる

_［

1

−

3i

。

ま た

，

音 声 区 間 と非 音 声 区 間で符 号 化の ビッ トレ

ー

トを変 更 した り_， 音

声

と

音

楽を区 別 し て

異

な る

符号化器

を

利

用 し たり

_国

するこ とで高 品 質な情 報

伝

送が期 待で きる。 雑 音

抑

圧 技 術 　 観 測 信 号か ら雑 音を取 り除い て音 声 信 号 を取 り 出 す た めに用い る

雑

音 抑 圧 技 術

_團

は

_，

雑 音の統

＊Advances

　in　voice 　activity 　detection

．

林

_{Kentaro 　Ishizuka}

_，

_{Masakiyo 　Fhjimoto} 　and 　Tomohiro

　 Nakatani （NTT 　Comm 皿 ication　

Science

　Laborato

−

　ries

_，

　NTT 　Corporation _，　 Kyoto _， 619

−

0237 ）e

−

mail ； 　 ｛ishizuka

，

　masakiyo

，

　nak _｝◎cslab

．

kecl．

ntt

．

co

．

jp

1

同 機 能の技 術

，

又 は類 似の技 術には _{Specch （}activity _）

detection

，

　Speech　endpoint 　detection

，

　

Speech

　signai

detection

，　

Speech

　signal 　discrimination，　Speech ／Non

−

speech _detection

，

　 Utterance 　segment 　

detection

，

Speech　onset _／offset 　

detection

な どの呼 称が ある が_， 本

稿ではこれ ら を総 称して VAD とする

。

こ の呼 称の多様

性は

_，

様々な応用 分 野で別 個に

VAD

が開発され て きた こ

とに よ る

。

ま た

，

Voice　activity 　detection は

，

　Voicing

detection

や

Voice

_／

Unvoice

　_{classification} の ように音 声 信 号の うち有 声 音 部 分だ け を取り 出 す技 術を指すこ と が ある が

，

こ こ で は無 声 音 も含め たすべ ての音 声信 号を取 　 り出す 技 術をVAD と呼ぶ

。

計 的 性 質の

推

定の正確 さ に よっ て

性 能

が左 右 さ れ る。

VAD

に よ り

観測信号

に

含

ま れる非 音

声

区 間 を判 定で きれ ば， 雑 音の統 計 的 性

質

を よりよ く捉 えるた めの _{手 が か り と な}る

。

自

動

音

声 認

識技

術

　

自 動 音 声 認 識 技 術

_［

6

_］

は

多

くの場 合

，

音

声

以外 の

音

も

音声

とし て

誤

認

識

し て しま う

。

VAD

に よ り正 し く音

声

区 間 が 与 え られればこ の 誤 りを

抑

止 で きる。 ま た

，

マ イ クの オ ン

・

オフ が不

要

に なる， 非 音

声

区 間での認 識 処 理 を行わ ない こ とで

演算

量 を

削

減で きる， な どの

利

点 も ある。 メディ ア処 理

　

VAD

に より

，

収 録

・

保 存 され た音 声 メデ ィ ア

・

マ ル チ メ デ ィ ア デ

ー

タ か ら

音声

区

間

を

取

り

出

し

，

後

の検

索

や要

約

処 理 を

行

うため の 最 も基 本 的なメ タ デ

ー

タを

与

える ことが で きる。 これ と 上 記の 自 動 音 声 認 識 技 術 を併せ て用い れ ば， 動 画デ

ー

_タを

自然言語

で

検索

する こ と も 可

能

と なる

_［

7

_］

。 ま た

，

近 年，

AMI

や

CHIL

，

　

NIST

　

Rich

　

Transcription

Meeting

　

Recognition

な どのプロ ジェ ク ト

［

8

−

10

亅

で

_多

くの 会 議デ

ー

タ が収 録 さ れ， 収

録

デ

ー

_タ 中で

「誰

が い つ

_話

し た か ？

」

を

自動推 定

す る話 者

決 定

（

Speaker

　

diarization

） 技 術

_［

111

が盛 ん に研 究 さ れて い る

。

この う ち 「い つ

_」

に相 当 する部 分 を検 出 する には

VAD

が必 須である2。

　

1

．

2

構 成要素

と設

計

要

件

　

一

般

に

VAD

は

_{，音 響特徴抽 出器}

と

_音声

_／

_非音声

識 別 器か ら

構

成さ れ る。 音

響

特 徴

抽

出器で は

，観

測信号

を

10

〜

32ms

程

度

の時

間

長 を 持つ フ レ

ー

ム に

分割

して

分析

し

，音 声信号

の

存在

を 適 切に

表

現 で きる音 響 特 徴 を 抽 出 する。 音 声

／

非 音 声 識 別 器 2_話

．

_{者 決 定の要 素 技 術と して の VAD 技 術に}つ い て は

，

従

来

Speech

　

Activity

　DetectiQn （SAD ）の用 語 が 利 用 さ

れてい _る

。

これは 笑い _{声や咳 な ど}の

Voicing

　noise を 除

い て

，

真に Speech で あ る部分 を取 り 出 すこ と を 目 的 と した 語 用 と考えら れ る が

，

本 稿で は

VAD

の用 語 を用い

538

纛 ニ

ニ

音声

区 間

＿

厂

一

一

一 一一

L ＿

図

一

1　音声区 間検出 技 術 の概 要 で は

得

ら れ た

音

響 特

徴

に 基づ き

，

観 測 信 号 中の音 声 信 号の _{有 無 を}フ レ

ー

ム単 位で決 定 する。

　

VAD

は低 演

算

量 で

_{動 作}

するこ と が

好

ましい と さ れ_，

後

段の音 声 処 理 技 術 と比べ

_多

_くの演 算 量 を

割

くこ とが

_好

まれ ない 3。

特

に実 時 間 処理 が必 要な 場

合

は

，

処理遅 延 を

少

な く， かつ ア ル ゴ リ ズム上 で の遅 延 も ない

_（

_未

_来の

_情報

_を利用 し ない

_）

こ と が求め ら れ る。 しか し，

VAD

で の誤 りを後 段の 音 声 処 理 技 術で回 復 するこ と は困 難で あ り

，

しばし ば

VAD

の

性能

は シ ス テ ム 全 体の性 能を大 き く左 右 する。 従っ て

，

VAD

の 開発で は

，演算

量 や遅 延 を

抑

える た め に処 理の

複

雑 化 を避 けな が らも

，

高 精 度 な 技 術の_{実 現}が 求め ら れ る。

　

1

．

3

　

’

t

_生

甫

E

言平 価 　

VAD

の性 能 評 価は分 析フ レ

ー

ム単 位で の誤 棄 却

率 （

FaIse

　rejection 　rate ；音

声

区 間 を

非音声

区 間

と して誤 判 定し た

_{割 合）}

と誤

受

理

率 （

False

　accep

−

tance

　_{rate ；}

非

．

音声

_区

間

を

音声

_{区 間 とし て}

誤判定

_し た割 合 ）を用い て行 うこ とが

多

い 。

誤

棄 却 率の代 わ り に 正

解率 （

Hit

　_{rate ；音}

声

_{区 間を 正 しく音}

声

_{区 間} と して判

定

し た割 合 ）を用い るこ と もある。 誤 棄 却 率 と誤 受 理 率 はト レ

ー

ド オフ の 関

係

にある

。

VAD

技 術は通

常，音声

_／

非

音声

識 別 器で の 識別基準を変 化 させ ることで

_，

所 与の評 価デ

ー

タ に対 する誤 棄

却率

と誤

受

理

率

が変

化

する。 その 変

化

を プロ ッ ト する こ とで

Receiver

　

Operating

　

Characteristics

（

ROC

）

カ

ー

ブ

_［

12

_］

を

描

くこ と が で きる。 これ を用 い る と異な る手 法の性 能 比 較 が口_∫能になる。 図

一2

に

ROC

カ

ー

ブの 例 を 示 す

。

　こ れ らの 評 価 尺 度は

VAD

の汎 用 的な性 能を評 価 する に は有

効

だが

，

すべ _{て の}

_分析

フ レ

ー

ム を

等

し

く評価 す

る た め， 応 用分 野の 最

終 的

な

性 能

へ _の 影 響 を十 分 反 映で き ない 場 合 が ある。 例 えば

，

音

声

符

号化

で は誤 棄 却が 生 じ た箇 所に よっ て

，

同 じ誤 棄 却 フ レ

ー

ム数で あっ て も聴 取 時の 音 声 品 質に与 える

影

響が異な る

_［

13

_］

。 この よ

う

な

影響

を

考慮

し

，

3_{実 際 に割り 当て る 演算量 はシ ス テム 全体の性 能 に 与 え る} 影 響を考 慮 して決 定されるべ _{き も}の である。 日本 音 響学会誌 65 巻 1 号 （200g）

0．

5

　

0 ．

4

　 　 　 　 　 　

ee

　

O

．

3

纛

：

o ・

2

　

0．

1

　 　

0

　 　 　 　

0

，

2

　　　

0

．

4

　　　

0

．

6

　　　

0

．

8

　　　

1

．

0

　 　 　 誤 受 理 率 　 図

一

2　ROC カ

ー

ブ の例 　 　 こ の場合

，

手 法 2 の 方の性能が良い と見な せ る 音 声 符

号

化の ため の

VAD

の _評

_価

に

客観

的

音質

評 価に用い られて い る

ITU −

T

　

P

．

862

_{を利 用 し}た尺 度 を

導

入 した り

_［

14

_］

，自動音

声 認 識の た めの

VAD

の 評 価に発

話

区 間の開

始 ・

終

了

時

刻の推 定の正確 さ を 反 映 した発 話 区 間 検 出 精 度 を

導

入する

_［

15

_］

試み が

な さ れて い る。 ま た

，

NIST

　

Rich

　

Transcription

で の 多 人 数 会 話の た めの

VAD

の _{評 価}

_［

10

_］

に は

，

話者

決

定

の評

価

で用い る

Diarization

　

Error

　

Rate

（

DER

；総 発 話 時 間に対 する_， 発

話

の

_誤受

理

・

誤棄

却

・

話者誤

りの

_時間

の総 時 間の

割合）

が

利用

さ れ て いる4。

一

般 的に発 話 区 間 検 出 精 度や

DER

で の 評 価 を

行

う

場

合

，

正

解

デ

ー

タ _中と推

定結

果 との 発 話の開 始

・

終 了 時 刻の 時 間 ずれ は

一

定のずれ （例 え ば

200

　_IIIs

）

ま_{で は}許 容 す_る こ と_が

多

い

。

　

性能

評 価 を

行

うた めの評 価デ

ー

タに は，

雑

音が 含 ま れる音 声デ

ー

タ を作 成

・

収 録 して用い るこ と が

多

い _{。 応}用対

象

にもよ る が

，

VAD

の汎 用 的な性 能を評 価

す

る な ら ば_，

検

出 対

象

となる発 話が

一

つ の

_音声資料

に複 数

含

まれ る よ

_う

な評

価

デ

ー

タを用 い る方が， よ り

VAD

が必 要 とされ る状 況 を反 映 した 性 能 評 価に なる

。

また

_，

音 声 区間 と非 音 声 区 間が そ れ ぞ れ十 分な長さ で

含

ま れて い ない と

，

誤 棄

却率

や

誤

受 理

率

の正 しい _{評 価が で き な}い 5。

信 号

対雑音

比

（

SN

比

）

を

統

制

す

る場

合

は

雑音

の

含

ま れない 音 声デ

ー

タに雑 音のデ

ー

タを付 加 して評 価 デ

ー

タを

作

成 する

方

が

容

易で ある が

，

人 間の _発

_声

4VAD _の 評 価の際

，

話 者 誤 りは考 慮されない

。

5_逆に 音 声資 料の 大 部 分 が 音声デ

ー

タ の み で占め ら れ る な らば

，

すで に

VAD

は済んで い ると言える

。

その よう な デ

ー

タ が 入 力 と な る 応 用 対 象で VAD を 用い る 意 義 は 少 ない

，

，

音 声 区 間 検出技 術 最近 研 究 動 向 理 簾

裡

e

楓

湘

　　　 　　　　　　 　　　　　　　 　　　 時

間 図

一

3CENSREC

−

1

−

C ［15］に含ま れ る VAD の 評 価 デ

ー

　 タの例 　〔上 ）観 測 信 号の波 形

，

（

F

） 観 測 信 号に含ま れ る音声の 　 区 間 様 式は環 境 雑 音の 影 響を

受

けるの で ， 実 際の雑 音 下 で

発声

さ れ た

音 声

デ

ー

タを 評 価 に用い る方 が 実 用上 の性 能を より反 映で きる。 な お

，

正

解

の

音声

区 間は人 手で付 与 した もの を用い る。 　

VAD

の評 価のため に作 成 され た代 表 的 な 共 通 評 価デ

ー

タである

CENSREC

−1−

C

_［

15

_］

に

含

まれ る音

声

資

料

の例 を図

一3

に示 す。

異

なる言 語 間で

VAD

の

性 能

が

異

な る

結果

も

報 告

さ れて お り

_［

16］

，

今 後， 言 語 普 遍 的 な性 能 評 価を行 う場 合は多 言 語 の

_音声

デ

ー

タを

用

い る 必 要 が あるか も しれ ない

。

2

． 研 究 動 向

　

本 節で は_，

VAD

の研 究

動向

を 概 説 する。　

VAD

が

対象

とする問 題 設 定は

_，

最 も初 期に は無 雑 音 環 境であっ た が_， その

後 定

常 的な雑 音 環 境

，非

定 常

雑

音の ある環

境

と

，

よ り現 実 的 な 環 境 を 扱 える よ

う

に発 展 して きた。

音 響特 徴抽

出 に関 して は

，音

声 とその他の

．

音 をよ り よ く区 別で きる特 徴 を捉 え るための 研 究が進め ら れ た6

。

ま た

，

音 声

_／

非 音 声 の識 別 には古 くは単 純 な 閾 値 処 理が用い られ て

き

たが

，

近

年

で は _閾

_値

を

_雑音環境

に応 じて

_動

的に_更

新す

る方

法

や，

統

計 的な

基準

で音

声

／

非

音

声

識 別 を 行 う方 法が

多

く提 案 されてい る。 　

2

．

1

古 典 的 方 法 　

VAD

に関 する最 も初 期の論 文で提 案 され た方 法 は

，

観 測 信 号の パ ワ

ー

と零

交差 数

を 用い る

方法

_［

171

で ある。 こ の

論

文で は， 有

声音

を検 出 する た め に

信 号

の パ ワ

ー

（

有声音

が あ れ ばパ ワ

ー

は

大

き く な る）， 無 声 子 音 などを取 り出 すた め に零 交 差 数 を 用 い _（

_無声

_{子 音}で

あ

れば 零 交 差

数

は大 き くな る

），事

巳 音 声の存 在を決 定 的に特 徴 付ける音 響 特 徴はい ま だ_明ら かで は ない。 人 間は雑 音 環 境下で あっ て も容 易に音声の 存 在 を検 知する こ とがで きる が

，

人 間が 用い てい る音響 特 徴につ い て もい ま だ研 究の途上 に あ り

，

十 分に解 明さ れていない

。

前に設 定 した

閾

値 に基づ い _て これ らを処 理 する こ と で

VAD

を

行

っ てい る

。

これ らの 音 響 特 徴 は少 ない 計 算 量で抽 出で きるこ と か ら， 近

年

で もよ く 利 用 さ れ る が

，

雑

音

環

境

下 で は

有効

な 音 響 特

徴

と な ら ない 。 雑 音 環 境下 を対 象 とした

音声 処

理研

究

の

高

まりを

受

け

，

耐

雑音

性の

_高

い

VAD

_{が 研 究 さ} れる ようになっ た

［

18

｝

。

　

上

記

の零 交 差

数

は，

雑音環境

下で の

VAD

にお い ては初 出の論

．

文と異 なる解 釈 が 与 えら れて利 用 され ている。

雑

音は

多

くの場

合

高い

零交差数

を

示

し

，音声信 号

の

_{有声 音}

は

_低

い

_零交

差 数 を 示 す。 そ こ で

雑

音 環

境

下で は零

交差数

が閾

値

を下回っ た

場

合に音 声 区 間が検 出され

_［

21

， 無 声

子

音の検 出のた め には_利用 さ れ ない

。

　

2

，

2

音 声の性 質の利 用

　

耐 雑 音 性の向 上の ため に

_，

周 波 数 領 域にお ける 音

声

信 号の _特

_性

を利 用 するアプ ロ

ー

チが あ る。 ま ず

，

音

声

の パ ワ

ー

が

1〜2kHz

以 下の周 波 数 帯 域に よ り

集

中し てい るこ とに

着

目し

，低 周

波

数

帯 域の パ ワ

ー

を利 用 する

VAD

が提

案

され た

_［

2 ．19− 21

_］

。 その 後

，

より

詳

細 な

情報

を

利

用 するため に周

波

数 スベ ク トル に基づ _{く音 響 特 徴 が 利 用} さ れ る ように な り，

周波

数ス ペ ク トル の 概 形や

，

声 帯の 振

動

数 に

対

応 し た基 本

周波

数

（

Fe

）

とその

倍音

にあた る

周

波 数

帯

域

（

調 波 成 分

）

にパ _ワ

ー

_{が集 中 する性}

_質

（

調

波性

） を

利

用

す

るア プロ

ー

チ が

提案

さ れた。 　 周 波 数ス ペ _{ク ト}ル の 概

．

形 を 用い るア プロ

ー

_{チ と} して は

，線

スペ _{ク トル周 波}

_数

_{の時 間 方}

_向

_の変

_化

_量

_［

2

_］

や， 自動 音

声

認 識で 広 く用い ら れて い る メ ル

周

波

数

ケプス ト ラム

_{係 数 （}

MFCC

_）

_［

22

_］

_，

メ ル フ ィル タ バ ン クの 出 力 を 用い る手 法

_［

23

_］

など が提 案 さ れて き た

。特

に

MFCC

な ど を用い る

場

合は

_，事前

に ガウ ス混 合 分 布モ デ ル （

GMM

）や隠れマ ル コ フ モ デルな どの統

計

モデ ル を 用い て

学習

し て お き

，

そ こか ら 出力さ れ る尤 度を音 響 特 徴 と して利 用す る こ とが

多

い 。

　

調 波 性を利 用 した方 法 に は，

Fo

その もの を特 徴 として利 用 する もの

_［

24

，

25］

や

，

自 己 相 関 関 数の ピ

ー

ク値 に 基づ _く

_値

を用い る もの

_［

22

_，

26

_，

27

_亅

，

岡 波 数スベ _{ク ト}ル の周

波

数 方

向

の分

散

［

20

亅

やエ ン ト ロ ピ

ー

_［

28

_］

を 用い るもの な ど がある。 更に， 調 波 成 分 とそ れ以外の成 分 を 分 離 し

，

それ らの パ _ワ

ー

比 を

利

用 し て非

定常

雑 音の

_影響

を

受

けに くい _音

_響

特 徴 を 抽 出 する手 法

_［

29

_］

が 提 案 されて い る

。

540

　

ま た

，周

波 数ス ペ _{ク トル に現れ る情}

_報

_{だ けで な} く

， 自

動 音

声

認 識 技 術 か ら 得 ら れる情 報 を

VAD

に用い る方法

_［

30］

も ある

。

　

2

．

3

雑音

の

情

報の 利 用

　音声

を

表

す

情 報

だけで な く

，

観 測 信 号に含ま れ る

雑音

の

情報

を 推 定 し， その結 果

得

られ る

SN

比 を 音 響 特 徴 と して

利

用 する

方 法

も

提

案 さ れ てい る

_［

20

，

31

，

32

］

。

SN

比を用い る利 点は， 観 測 信 号や 雑 音の大 き さに依

存

し ない

_閾値

の 設

定

が 可

能

とな る

点

に

あ

る （理 想 的に は閾 値が

OdB

の ときに誤 受 理

・

誤 棄 却 が 最 小になる

）

。

雑音

を

推定

し て

VAD

に

利

用 する ことは，

非

音

声

区 間が分か ら ない

う

ち か ら雑 音の統 計 的 性

質

を 利 用 す るので奇 異に

感

じ ら れ る か もし れ ない _。 し か し

，多

くの場 合は観 測 信 弓

’

の 冒 頭

1 〜

数 十 フ レ

ー

ム に は音 声 信 号は含 ま れ ない と仮

_定

し7

，雑

音を

推定 す

る た めの初

期

値を そこ _{か ら 求}め る方

法

が

取

ら れる。 ま た， 推

定

され た 雑

音

を

利

用 して

雑音抑

圧 を

行

い ，

雑 音抑

圧

後

の 信 号に対 して

VAD

を行 うこ とで 性 能 を 改 善 する 方 法

_［

20

，

31〕

も ある。

　

音声

と雑 音の情 報を共に用い る方 法と して は，音 声 と雑 音 を そ れぞ れ

統計

モ デルでモデル化 し

，

そ れ らの モ デル か ら得 ら れる尤 度 比 を

VAD

に利 用 する手 法

_［

22

，

23

，

31

，

33

，

34

亅

もあ り

，

近

年

広 く

研究

され てい る。 こ れまで

，

音

声

と雑 音の周 波 数ス ペ ク トル を複

素

ガ ウス _分

_布

で モ デル

_化

_する

手 法

_［

31

_亅

や

，定常 的

な

雑

音モデル と

GMM

に よ る音

声

モ デ ルを用い る方 法

_［

34

_］

，

更に音 声

GMM

と非 定 常 雑

音

の

_推定

を

利

用 する方

法

_［

23

_亅

な ど が提

案

さ れて

き

た。 雑 音 環 境が既 知で あれ ば， 音 声 と雑 音の 両 方 の モ デル に

GMM

を

利

用 するこ と もで きる

_［

33］

。

　

2

．

4 時

間

情報

の利 用

　

ア ル ゴ リズム上で の遅 延 が 許 さ れるの で あ れば

_，

複 数フ レ

ー

ム に渡る観 測デ

ー

タ を利 用 して

SN

比 や尤 度 比を

_抽

出 するこ とで

VAD

の

_{性 能}

は

_大

き く 改 善 する

_［

35

_，

36］

。

　

更に_， 音

声

固 有の特 徴の

一

つ である， 音 声 信

号

の 振 幅の 時 間 変 動が

4Hz

をピ

ー

クとし て

32

　

Hz

以_下 に偏っ てい る性 質

［

37

］

を利 用 するこ ともで きる8。 こ の変 動 特 性は，

周波 数

ス ペ ク トル上 で の

特徴

が 似 通 っ て い る音

声

と音 楽を区 別 する音 響 特 徴と し 7_この 仮 定は多くの実 際 的な 応用で有 効に働 くが

，

観 測 信 号の_{冒 頭}か ら音声が含ま れる_{場 合}にはも ちろ ん_向か ない 。 84Hz _{の振 幅 変 動を捉 える には最 低で も250m5 の時 間 長} の情報が 必要で あ り

，

遅延 が避けられ ない 問 題点はある

．

日 本音 響 学 会 誌 65 巻 10 号 （2009 ） て も有 効で ある

_［

38

_］

。 同 様に

時

間 的

変動

の

情

報 を 反 映 した

_音響特徴

とし てバ イスペ _{ク トラ ム を用}い る方 法 も ある

_［

39

_］

。 ま た， 時

間方向

に

周波数

ス ベ ク トル をス ム

ー

ジン グするだ けで も

性 能

の

向

上 に 繋 が る

_［

401

。

　

2

．

5Hangover

処

理の利 用

　

上 記の時 間 情 報の _{利 用} と_{も関 連 す}る が

，多

くの

VAD

で は

，

発 話は開 始さ れ る と し ば ら く継 続 す る_， とい う 仮

_定

を お き_， 音

_{声 区間}

の

_断片化

を 避

け

て

，検

出さ れ た

音声

区間 をひ とまと まりにする処 理

（

Hangover

処 理

）

を導 入 してい る

_［

20

_，

31

_］

。 こ れ に より，

例

え ば

有声

音の

特

徴の み を捉え る よ

う

な 音 響 特 徴 を利 用 した場 合で も

，

有 声 音の 前 後に 現れ る

無声

子

音

を

捉

えるこ とが で きる

_［

29

_］

。

　

2

．

6

統

計 的 性 質の利 用

　 音声信 号

は

非

ガ ウス性の

_信号

で あるこ と か ら

，

観 測 信 号の尖 度や歪 度 などの高 次 統 計 量 を音 響 特

徴

として用 い る

方法

が

提案

さ れ てい る

_［

41

−43

_亅

。 ま た

，

上記の 尤

度

比を用い た

VAD

の発 展 と して， 音 声や

雑音

の振

幅

をラプラス分

布

な どでモ デル

_化

_す る方

法

も

提案

さ れて い る

_［

44

_亅

。

　

更に

，

音 声 信 号の持つ 非 線 形 な 時 間

_変動特

性 を

非線

形

時系

列

解

析モ デル を 用い て捉

え

る こ と に よ り

VAD

を行 う

手法

も ある

_［

45 −47

_］

。

　

2

．

7

複数

の マ イ クロ ホ ン の利 用

　

複 数の マ イ_ク ロ _ホ ン を利 用で きる

場合

は

，

上 記 の よ

う

な

特徴

に

加

えて空 間

的

な

情報

を利 用で きる 利 点 が ある

_［

48

_］

。 空 間 情 報 を 利 用 して

雑

音 抑 圧 を

行 う

こ と で

VAD

の

性能

を

向

上 さ せ る方

法

_［

49

_］

や

，

雑 音

抑

圧 前

後

のパ ワ

ー

を比 較 する こ とで

VAD

を

行 う方法

_［

50］

がある。 ま た

，

マ イクロ ホ ン間で の コ ヒ

ー

レ ン ス _{や信 号 到 来 方 向 推 定 技 術 を利 用 し}て

VAD

を行 う 手 法

_［

5

／

−

55

_亅

も ある

。

　

2

．

8

複 数の音 響 特

徴

の

併

用

　 複数

の

音響特徴

を併 用 する ことで

VAD

の

性 能

を

向

上 さ せ るこ と がで きる。 最 も単 純には， 性

質

の 異 なる複 数の音 響

特

徴 か ら

得

られ た

結 果

の

AND

や

OR

を取 る方 法が あ る

_［

20

_亅

。 ま た

，

複 数の音 響 特 徴 を 最 小 識 別 誤 差な どの基 準に従っ て 重 み 付 け し

，雑 音環境

に応 じ て

音 響特徴

を選

択 的

に用い る 方 法 も ある

_［

56

_］

。 　

2

．

9

話 者 決 定に お け る

VAD

　 話 者 決 定にお ける

VAD

で は

，

収 録 済 みの会 話 デ

ー

タ を処 理する た め _，

_処

理遅 延や

演算

量 の制

約

が少ない _{。 現}

_在

主流の 方 法 は

，

事 前に

多

人 数 会 話 の デ

ー

タ で 学 習 した音

声

と非 音

声

の

GMM

を用い て

VAD

を

行 う手法

である

_［

57

_］

。 こ の

方法

は

事

前 に学 習 した環 境 と異なる環

境

で は

性 能

が

低

下する た め

，処

理

対 象

の デ

ー

タか ら

得

ら れ る ボ トム ア ッ プの 情 報 を 利 用 する方 法 も提

案

さ れ てい る

_［

58

_］

。

複数

の マ イクロ ホ ン を用い るこ とがで き る場 合 は

，

前 述の ように話 者の空 間

位

置に関わ る情

報

を利 用 する こ と もで

き

る

_［

59

_］

。

3

．

今後

の

_課

_題

　

本 解 説では

_，

VAD

の概 要を示し_， 近 年の研 究 動

向

につ い て概 説し た。 近

年

の

VAD

研 究

は

雑 音環

境 下で の 音 声 処 理 技 術の研 究に伴っ て発 展 し

，

非 定

常雑音

環

境

下 で も高 精 度に

VAD

が行 える よ うに なっ た9。 今 後， 頑 健 な 音 響 特 徴の

導

入 や 音

声

／

非 音 声 識 別 器の 精 度 向 上に より雑 音下 にお ける

VAD

の 性 能 を引 き 続

き向

上する と共に

，

以 下の課 題に も取 り組む必 要がある と考 えら れ る。 話 者 認 識 技 術 と の融 合

　VAD

はその定 義 ヒ

「

音

声

信 号 」を

検

出 する技

術

で

_あ

る ため

_，

目

的

とする

_音

声以

_外

の

_音

で あっ て も音

声

であれば

検

出 する。

従

っ て環

境雑音

に

音 声

が

含

まれ てい る と

性能

が 低下する。

一

方

で，

VAD

が必 要 とさ れ る よ

う

な 応

用分

野

（

例 え ばカ

ー

ナ ビ ゲ

ー

シ ョ ン シ ス テム）では_， 雑 音 を 棄 却 するだ け で な く

，

非 目的 音

声 （

例 え ば助

手席

の

声）

の

棄却

も 必 要と さ れ る。 従っ て， 話

者

認 識 技 術を

VAD

と 融 合させて

，

問題の解 決に当 たる必 要がある。 音 声

_／

音 楽

識

別

技

術と の

融合

　

音

楽

信

号

は 音 声 信 号 と音 響 的 な 特 徴 が 似 通っ て お り， 従 来の

VAD

で用い ら れ てい る音 響 特 徴で

区

別 する こ とが困

難

な 場 合 が ある。 これ まで も音

声

と音

楽

を識 別 する

技

術は

広

く研 究 さ れて きた が_， こ の技 術 と

VAD

を 融 合 し

，

音 声

_／

音 楽

_／

雑 音

_／

無 音 を識 別 する

技

術が で きれ ば

，

環

境 雑音

に

音楽

が

含

ま れ る場 合の

VAD

の性

能

を

向

上 で きる だけで な く

，放送

コ ンテ ン ッ の メ デ ィア処 理や

音声 ・音楽

符 号 化 技 術におい て も有 用で あろ う。 現 在

ITU −T

SG16

におい て もこ の よ

_う

な 汎 用 信 号 区

間検

出 技 術の標 準 化が進め ら れ てい る

_［

60

_亅

。 9_{例 えば} ，

SN

比 が

OdB

前後の地下鉄 騒 音や高 速 道 路の騒 音 下で も80％ 以 上の 発 話 区 間 検 出 精 度 を 得 るこ とが で き る。 応 用 分 野の

技

術と の融

合

　

VAD

の応 用 分 野である雑 音 抑 圧 技 術 や

自

動 音 声 認 識 技 術 は_，

VAD

に有 用 な 情 報 を

提供

する こ と もで きる

。

従 来の よ うに

VAD

と これ らの

技

術 をカス ケ

ー

ドに接 続 する だけで な く

，

相互 の

情 報

を

有効

に

利

用 しシス テム 全

体

と して の最 適 化を行 うこ とで_， 最 終 的な音

声

処 理の性 能

向

上 が

期待

で きる。 実 際の利 用 環 境 を 考 慮 したコ

ー

パ ス

整備

　 現在

の

音

声 処理技 術の

_開

_発や

評

価で用い _{ら れ}る コ

ー

パ ス の

多

くは ， すで に音

声

区 間が人

手

で

検

出 さ れ た音

声資料

で

構

成さ れ て お り

，

実 際の

_利

用 環 境を必 ずしも反 映してい _ない _{。 そ}の た め

，

VAD

の 重

要性

を 開発

段

階で

認

識 しない _{ま ま}

_，

_{暗 黙}の う ち に

VAD

が 正 し く行わ れるこ とを 前 提 とした

技

術 開 発 を 進めて し ま う 要 因に も なる。 実 際の 利 用 環 境 に近い コ

ー

パ ス を用い た

技

術 開

発

を

行 う

こ とで

，

VAD

も

_含

めた音 声 処 理 シ ス テム 全 体の頑 健 性 を

高

め る こ とが できる と

考

えら れ る。 文 献

［1 〕　KSrinivasan 　and 　

A ．

　

Gersho，“

Voice

　activity 　

de−

　tection　for　cellular 　networks

，

”

　Proc

．

　 JEEE Work

−

　shop _{Speech 　Codin9 ／}b71　Teleco7T｝munication

，

　_pp

、

85

−

　86 （1993 ）

．

［2 ］ ITU

−

T　Recommendation 　G 　729　Annex 　B （1996）

．

［3 ］　 ETSI 　TS　lO1707 （2000 ）

．

［41 　 ETSI 　TS　126290 _（2007 ）

．

［5 ］　P

．

Vary　and 　R

．

　Martin ，　Dtgital　

Speech

　Transmis

−

　sion ： Enhance πnen ちCoding　and 　Error　

Ooncealment

　（John　Wney ＆

Sons，

　West　Sussex

，

2006 _）

．

［6 ］　 X

．

Huang

，

　A

，

　Acero　and 　H

．

　Hon _，　Spoken　Lan

−

　guage　Processing’AGuide 孟OTheory

，

　Atgorith凧

　and 　

System

　DevelopTnent （Prentice

−

Hall

，

　New 　Jersey

，

　2001 ）

，

［7 ］　 Google　audio 　Indexing： http：〃 1abs

．

google

．

con1 ／

　gau （li

［81AMI 　and 　AMIDA 　Project： 　http：／_／www

．

amiprQject

．

org ／

［91 　 CHIL 　Project：http：／_／chil

．

server

．

de1

［101　NIST 　Rich　Transcription：http；〃nist

．

gov ／speech ！

　tests／rt_／

［11_］

S．

E

．

　Tranter　and 　D

．

A

．

　Reynolds ， “An

　overview 　of

　autQ 皿atic 　speaker 　

diarization

　systems ，

” _∫EEE _野

απ5

．

　Audio　Speech　1ンα7Lg

．

　Pγマ）cess

．

_，14_，1557

−

1565_（2006_）

．

［12｝　 J

．

P

．

　Egan ，　Signal 五）etection 　Tんeo 卿　and 　ROC 　

．

4nalysis

（

Academic，

　New 　York

，

1975 ）

，

［13｝　 L

．

Ding

，

　

A ．

　Radwan

，

　M

，

S

、

　E1

−

Hennawey 　and 　R

．

A ，

　

Goubran

，

∈‘

Measurement

　of　the　effects 　of　temporal

　clipPing 　oll　speech 　_quality

，

，， ∬五7EE ヱ短 γL5

，

　Jnstrurn

，

　Meas

．

，

55，1197

−

1203　（2006）

．

［14］　 rTU

−

T　TD35 _（WP3116 _）

，

27　January

−

6　Febmar _｝

・

　（2009 ）

．

［151N

，

　Kitaoka

，

　K

，

　Yamamoto

、

　T

，

　Kusamizu _，　 S

．

　Nakagawa ，　T

．

　Yamada ，　S

．

　Tsuge ，　

C ．

　Miyajima ，　T

．

　

Nishiura，

　

M ．

　

Nakayama ，

　Y

．

　

Denda

542

Takiguchi, S.Tleimura,S.Kuroiwa, K. Takeda and S.

Nakamura, `CDevelopment

of VAD evaluation frame-work CENSREC-1-C and

investigation

of relation-ship between VAD and speech recognition

perfor-mance," Proc.ASR U,_pp.607-612

(2007).

[16]

ITU-T AC-0809-Q08-05, 25

Septernber-3

Octo-ber

_(2008).

[17]

L.R,

Rabiner

and M,R. Sambur, "An

algorithm

fordetermining the endpoints of isolatedutterances,i'

BetlSyst.71ech.

J.,

54,297-315

(1975),

[181

L.F. Lamcl, L.R.

Rabiner,

A.E.

Rosenberg

and

J.G.Wilpon, "An _impreved

endpeiiit

detector

for

iso-lated

word recognition,'] JEEE Ti'ans.Acoust. SPeech

Signat

Process., ASSP-29, 777-785

(1981).

[19]

B.

Mak,

J.-C,

Junqua and B, Reaves, "A

robust speech/non-speech detection algorithm using time and frequency-based

features,T'

Proc.

JCt4SSP,

Vbl.

_1,

pp.269-272

(l992),

[20]

ETSI ES 202 212

_(2003).

[21]

M.

Marzinzik

and B. Kollmeier, "Speech

pause detection

for

noise spectrum estimation by tracking

power envelope

dynamics,"

IEEE 7hans.

Speech

dioProcess.,10, 109-118

(2002).

[22]

T. Kristjansson,S. Deligne and P.

Olsen,

"Voic-ing featuresforrobust speech detectien,'iProc, terspeech,pp.369-372

(2005).

[231

M.

Fujimoto

and K,Ishizuka,`[Noise

robust voice activity detectionbased on switching Kalman filter,"

IEJCE 7b"ans.Inf/

Syst.,

E91-D, 467-477

(2008),

[24]

M. Hamada, Y, Takizawa and T. Norimatsu, "A

noise robust speech recognitien system,i' Proc,

SLP, 893 896

(1990).

[25]

R. 1[1icker,"Vbice

activity detectionusing a

peri-odicity measure," IEE Proc.,I 139,377-380

(1992).

[26]

B. Kingsbury, G. Saon, L. Mangu, M.

Padmanabhan and

R.

Sarikaya, `[RDbust

speech recognition in noisy environments:

The

2001

IBM

SPINE evaluation system," Proc. ICASSP, _Vbl.1,

pp.53-56

(2002),

[27]

S.Basu, L`A _linked-HMM

model forrobust voic-ing and speech detection," Proc. JCASSP, Vbl.1,

pp.816-819

(2003).

[28]

B.-F. Wu and K.-C. VLiang, L`RDbust

endpoint

detection algorithm

based

on the adaptive

band-partitioning spectral entropy in adverse

environ-ments," IEEE 7bzzns.Speech Audio l]rocess.,13,

762-775

_(2005),

[29]

K. Ishizuka,T, Nakatani, M. Fujimoto and N,

Miyazalci, `"Noise robust voice activity

detectien

based on _{periodic to} aperiodic component ratio,':

Speech

Comrnun.

_(in

pre$s).

[30]

S. Kuroiwa, M. Naito, S. Yamamoto and N.

Higuchi, tCRobust

speech detection method fbr tele-phone speech recognition system," Speech Commun.,

27, 135--148

(1999).

[31]

J.

Sohn,

N.-S.

Kim

and

W.

Sung,

[LA

statistica] rnodel-based voice activity detection,'7iEEE Signat

Process.Lett.,6,1-3

_(1999).

[32]

L.

Karray

and

A.

Martin, "Towards _improving

speech detectionrobustness forspeech recognition in

adverse conditions,"

Speech

Commun.,

40, 261-276

(2eo3).

[33]

A. Lee, K. Nakamura, R. Ni$himura, H.

Saru-wataTi and K. Shikano, `"Noise

robust real world spoken dialogue system using GMM based

tionofunintended inputs,i'Prvc. interspeech,Vbl.1,

H

dyg#"kas

6s

g

lo

e

(2oog)

pp.173-176

(2004).

[341

A,

de

la [IbTre,J. Ramirez, C. Benitez, J.C. Segura, L.

Garcfa

and A.J. Rublo, [`Noise

rebust model-based voice activity

detection,"

Proc.

inter-speech, _pp.1954-1957

(2006).

[35]

J.

Ramirez,

J.C.

Segura,

C.

Benitez,

A.

de la

[[brre and

A.

Rubio,

`[EMcient voice activity

detcc-tion algoTithms using

long-term

speech information,i'

Speech

Commun., 42,271-287

_(2004).

[36]

J,Ramfrez, J.C. Segura, C. Benitez, L.

Garcia

and

A.

Rubie, "Statistical

voice activity detection using a multiple observation likelihoodratio test,"

LEEE

Signal

Process,

Lett.,

12,689-692

(2005).

[37]

T. Arai and S.

Greenberg,

[`The temporal

prop-erties of spoken

Japanese

are similar to those of

English," Proc. Eurospeech, Vbl,2, pp.1011-IO14

(1997).

[38]

N.

Mesgarani,

S.

Shamma

and M. SIaney,"Speech

discrimination based on multiscale spectr}temporal rnodulations,"

Proc.

ICASSP,

Vbl.1, pp.601-604

(2004).

[39]

J.M. G6rriz,J.Rarnirez,C,G. Puntonet and

J,C.

Segura, `EGeneralized _[J}UI]-based

voice activity

detec-tor,"IEEE SignatProcess.Lett.,13,636-639

_(2006).

[40]

Y.D.

Cho

and

A.

Kondoz, [LAnalysis

and

improve-ment ofa statistical model-based voice activity

detec-tor;i IEEE Signal Process. Lett.,8,276

-278

_(2001).

[41]

E.Nemer, R.Goubran and S.Mahmoud, :`Robust

voice activity deteetion using higher-order statistics

in the LPC residual domain," IEEE 7iuns. Speech

Audio

Process,,9,217-231

_(2001).

[42]

K. Ll, M.N.S.

Swamy

and M.O. Ahmad, "An improved voice activity detection using higher order statistics," IEEE Jlrztns.

Speech

Audio Process.,13,

965-974

(2005).

[43]

D, Cournapeau, T. KawahaTa, K. Mase and T.

[[briyama, [`Vbice

act･ivity detector based on

en-hanced cumulant of LPC residual and on-line EM

algorithrn,"

Proc.

interspeech,pp.1201-1204

(2006).

[44]

J.-H.

Chang,

N.S.

Kim

and

S.K.

Mitra,

"Voice

ac-tivity detectionbased on multiple statistical models,"

fEEE 7Vuns. Stgnal Process.,

54,

1965-1976

(2006).

[45]

R. Tahmasbi and S.Razaei, "A

soft voice activity

detection using

GARCH

fiIter

and variance Gamrna

distribution,"

IEEE

7b-ans.

Audio

Speech

Lang.

Pro-cess., 15,1129-1134

(2007).

[46]

H. Kato Solvang, K. Ishizuka and

M.

Fujimoto,

LCVbice

activity detection based on adjustable linear

prediction and GARCH models," SPeech Com7nun.,

50,

476-486

(2008).

[47]

K. Ishizukaand H. Kato, "A

feature

forvoice

ac-tivity detectionderived from speech analysis with the

exponential autoregressive model,'i P7oc. J(]ASSP,

Vbl.1,pp.789-792

(2006).

[48]

Y. Hioka and N. Hamada, "Voice

activity

detec-tionwith array signal _processinginthe Wayelet

do-main,]'

IEICE

7}izns.

IJlttndarn.,

E86-A,

2802-2811

(2003).

[491

A,

Alvarez,

P.

_G6mez,

_V.

_Nleto,

_R.

_Martinez and

V. Rodellar, "Application _{of a first-order} differen-tial microphone for eMcient voice activity

detection

ina car _platform," Proc. Interspeech,_pp.2669-2672

(2006).

[so]

sm

#,"L71gu7tu7v-emvi]t]xgF"e

[51]

I.Potamitis and E.Fishlcr,`[Speech activity

tection and enhancernent of a moving speaker

based

on the wideband generalizedlikelihoodratio and mi-crephonc arrays,"

J.

Acoust. Soc. Am., 116,

2415

(2e04).

[52]

M. Omologo and P. Svaizer, :`Use

of the crosspower-spectrum _phase in acoustic event loca

tion," fEEE 7}'ans,SPeech Audio Process.,5,

292

(1997).

[53]

R.

Le Beuquin-Jeannes, A.A. Azirani and G.

Faucon,

`[Enhancement of speech degraded by

coheT-ent and incoherent noise uslng a cross-spectral esti-mator,"

IEEE

7)'ans.

Speech

Audio Process.,

5,

487

(1997).

[54]

Y. Denda, T. Nlshiura and Y, Yamashita, bust talker

direction

estimation based on weighted

CSP analysis and maxlmum likelihoodestirnation,'i

IEICE

Ihans.

Iof

Syst.,

E89-D,

1050-1057

C2006).

[55]

J.E. Rubio, K. Ishizuka,H.Sawada,

S.

Araki, T.

Nakatani and M. Fujimoto, "Two-microphone veice

activity detection based en the hornogeneity of the

directionof arrival estimates,]' Proc. ICASSP, Vbl.4,

pp.385-388

(2007).

[56]

Y. Kida and T, Kawahara, :`Evaluation of

voice activity detection by combining multiple

fea-tures with weight adaptatlon,i' Proc. interspeech,

pp. 1966--1969

(2006).

i57]

J.Huang, E.Marcheret, K. Visweswariah and

G,

Potainianos, [`The _IBM

RT07

evaluation systems for

speaker diarizationon lecturemeetings,T' in

modal Tlechnologies

for

Percept･ion

of

ffumans,

R.

Stiefelhagen,

R.

Bowers and J.Fiscus,Eds., LNCS

4625

(Springer-Verlag,

Berlin,2008),pp.497-508,

[58]

C."boters and rv{.Huijbregts,"The _{ICSI RJi07s}

speaker diarizationsystem,i' Multimodal

gies

for

Perception

of

"umans, R. Stiefelhagen,R.

Bowers and J. Fiscus,Eds., LNCS 4625

VeTlag, Berlin,2008), _pp.509-519,

[5g]

K.

Ishizuka,

S.

Araki

and

T.

Kawahara, "Speech activity detectionfor multi-party conversatien anal-yses

based

en

likelihood

ratio teston spatial

magni-tude," IEEE 7}'ans.Audio

_Speech

Lang. Process.

(in

press),

[60]

ITU-T TD37Rl

(WP3116),

27January

-6