適応型アレーを用いた3次元ビタビ探索に基づくハンズフリー音声認識

実環境下でハンズフリーな音声認識を実現するために3次元ビタビ探索法を提案している. 3次元ビタビ探索法では, マイクロホンアレーの指向性ビームをフレームごとに対象とするすべての方向に順次向け, 特徴ベクトルの方向・フレーム系列を計算する. そして, 方向とフレームとHMMの状態からなる3次元トレリス上で最も尤度の高いパスを探索することにより, 発話者の移動軌跡と音素系列を同時に推定する. これまでにマイクロホンアレー信号処理として遅延和アレーを適用し, 実環境で収録したデータを用いて3次元ビタビ探索法の有効性を確認している. 本論文では,3次元ビタビ探索法の性能をさらに改善するために適応型アレーに基づく方法を提案する. 発話者移動と発話者位置固定という2通りの条件で収録した実環境データを用いて認識実験を行った. その結果, 発話者移動時の提案法の単語認識率は, シングルマイクと比べてSNR 18dBのとき11.1%, SNR 10dBのとき42.6%, また遅延和アレーを適用する場合と比べてSNR 18dBのとき6.9%,SNR 10dBのとき28.7%改善され, 適応型アレーの効果が示された.We are investigating a speech recognition algorithm based on 3-D Viterbi search using a microphone array to realize hands-free speech recognition in real environments. The 3-D Viterbi search method extracts a direction-frame sequence of parameter vectors by steering a beamform to each direction every frame. Then Viterbi search is performed in 3-dimensional trellis space composed of talker directions, input frames, and HMM states. A locus of the talker and a phoneme sequence of the speech are obtained by finding an optimal path with the highest likelihood. To improve the performance of the 3-D Viterbi search method in real environments, this paper proposes a novel method based on an adaptive beamforming technique instead of the delay-and-sum beamformer used in our previous study. Speake-dependent isolated-word recognition experiments were carried out on real environment data to evaluate the effect of the adaptive beamformer. For a moving talker, the word recognition accuracy of the 3-D Viterbi search method with the adaptive beamformer in SNR 10 dB was 42.6% higher than that of the single microphone, and 28.7% higher than that of the 3-D Viterbi search method with the delay-and-sum beamformer. These results show that the use of the adaptive beamformer is very effective