スペクトル変化量のピーク間隔・F0・MFCCを用いた歌声と朗読音声の自動識別システム

• Item type: SIG Technical Reports(1)
• 公開日: 2012-01-27
• タイトル: スペクトル変化量のピーク間隔・F0・MFCCを用いた歌声と朗読音声の自動識別システム
• タイトル / 言語: en
• タイトル: A System for Automatic Discrimination between Singing and Speaking Voices on the Basis of Peak Interval of Spectral Change, F0, and MFCC
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 歌声情報処理
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 京都大学大学院情報学研究科
• 著者所属: 金沢大学理工学域電子情報学類
• 著者所属: 産業技術総合研究所
• 著者所属: 京都大学大学院情報学研究科
• 著者所属: 京都大学大学院情報学研究科
• 著者所属: 京都大学大学院情報学研究科
• 著者所属: 京都大学大学院情報学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Informatics, Kyoto University
• 著者所属(英): en
• 著者所属(英): School of Electrical and Computer Engineering, College of Science and Engineering, Kanazawa University
• 著者所属(英): en
• 著者所属(英): National Institute of Advanced Industrial Science and Technology (AIST)
• 著者所属(英): en
• 著者所属(英): Graduate School of Informatics, Kyoto University
• 著者所属(英): en
• 著者所属(英): Graduate School of Informatics, Kyoto University
• 著者所属(英): en
• 著者所属(英): Graduate School of Informatics, Kyoto University
• 著者所属(英): en
• 著者所属(英): Graduate School of Informatics, Kyoto University
• 著者名: 阿曽, 慎平; 齋藤, 毅; 後藤, 真孝; 糸山, 克寿; 高橋, 徹; 尾形, 哲也; 奥乃, 博
• 著者名(英): Shimpei, Aso; Takeshi, Saitou; Masataka, Goto; Katsutoshi, Itoyama; Toru, Takahashi; Tetsuya, Ogata; Hiroshi, G.Okuno
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本稿では，歌声と朗読音声を識別するシステムについて述べる．入力は無雑音音声，出力は歌声と朗読音声それぞれの尤度 （連続値） である．従来，スペクトル包絡 （MFCC） と基本周波数 （F0） の時間変化に基づいた識別システムが報告されている．これらの特徴量に基づく識別器に，スペクトル変化量のピーク間隔という，音素継続時間に関連する特徴量に基づく識別器を加え，入力音声長に応じて各識別器への重みを変化させた．実験の結果，従来システムでは1秒の音声に対し 86.7% の精度であったのに対し，本システムでは 90.2% という結果を得た．本システムが実時間で動作するデモアプリケーションについても述べる．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In this paper we describe a system that discriminates between singing and speaking voices. Given a clean speech signal, it outputs the likelihood of each of the singing and speaking voices. Previous systems use temporal transition of spectral envelope (MFCC) and fundamental frequency (F0) as discrimina- tion features. Our system adds peak interval of spectral change as a phoneme duration feature and weights these features according to the duration of the input speech signal. Experimental results with one-second speech signal show that our system achieves 90.2 % accuracy compared to 86.7 % with previous systems. We also describe a real-time application demonstrating our system.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10442647
• 書誌情報: 研究報告音声言語情報処理（SLP）; 巻 2012-SLP-90, 号 13, p. 1-8, 発行日 2012-01-27
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会