音声処理

音声処理は、音声 信号と信号の処理方法の研究です。信号は通常デジタル表現で処理されるため、音声処理は音声信号に適用されるデジタル信号処理の特殊なケースと見なすことができます。音声処理の側面には、音声信号の取得、操作、保存、転送、出力が含まれます。さまざまな音声処理タスクには、音声認識、音声合成、話者ダイアライゼーション、音声強調、話者認識などがあります。 ^[1]

音声処理と認識の初期の試みは、主に母音などのいくつかの単純な音声要素を理解することに重点が置かれていました。1952年、ベル研究所の3人の研究者、スティーブン・バラシェク、R・ビドルフ、K・H・デイビスは、1人の話者が話した数字を認識できるシステムを開発しました。 ^[2]スペクトルの分析を使用した音声認識の分野における先駆的な研究は、1940年代に報告されました。^[3]

音声処理アルゴリズムである線形予測符号化（LPC）は、 1966年に名古屋大学の板倉文忠と日本電信電話（NTT）の斉藤周三によって初めて提案されました。 ^[4] LPC技術は、1970年代にベル研究所のビシュヌ・S・アタルとマンフレッド・R・シュローダーによってさらに開発されました。 ^[4] LPCは、ボイスオーバーIP（VoIP）技術^[4]や、1978年のスピーク＆スペル玩具で使用されたテキサスインスツルメンツのLPCスピーチチップなどの音声合成チップの基礎となりました。 ^[5]

最初の市販音声認識製品の一つは、1990年に発売されたDragon Dictateでした。1992年、ベル研究所のローレンス・ラビナーらが開発した技術が、 AT&Tの音声認識通話処理サービスに使用され、人間のオペレーターなしで通話をルーティングできるようになりました。この時点で、これらのシステムの語彙は平均的な人間の語彙よりも多かったのです。^[6]

2000 年代初頭までに、音声処理の主流は隠れマルコフモデルから、より現代的なニューラル ネットワークとディープラーニングへと移行し始めました。^[要出典]

2012年、トロント大学のジェフリー・ヒントンと彼のチームは、大規模な語彙の連続音声認識タスクにおいて、ディープニューラルネットワークが従来のHMMベースのシステムを大幅に上回る性能を発揮できることを実証しました。この画期的な進歩により、業界でディープラーニング技術が広く採用されるようになりました。^{[7] [8]}

2010年代半ばまでに、Google、Microsoft、Amazon、Appleなどの企業は、 Google Assistant、Cortana、Alexa、Siriなどの仮想アシスタントに高度な音声認識システムを統合しました。^[9]これらのシステムは、より自然で正確な音声対話を提供するためにディープラーニングモデルを利用しました。

GoogleのBERT（Bidirectional Encoder Representations from Transformers）やOpenAIのGPT（Generative Pre-trained Transformer）などのTransformerベースのモデルの開発により、自然言語処理と音声認識の限界がさらに押し広げられました。これらのモデルにより、より文脈を意識し、意味的に豊かな音声理解が可能になりました。^{[10] [7]}近年、エンドツーエンドの音声認識モデルが人気を集めています。これらのモデルは、特徴抽出や音響モデリングなどの中間ステップをバイパスし、オーディオ入力をテキスト出力に直接変換することで、音声認識パイプラインを簡素化します。このアプローチにより、開発プロセスが合理化され、パフォーマンスが向上しました。^[11]

ダイナミック タイム ワーピング (DTW) は、速度が異なる可能性のある2 つの時間シーケンス間の類似性を測定するアルゴリズムです。一般的に、DTW は、特定の制限とルールを使用して、2 つのシーケンス (時系列など) 間の最適な一致を計算する方法です。最適な一致は、すべての制限とルールを満たし、コストが最小である一致によって示されます。コストは、一致するインデックスの各ペアの値間の絶対差の合計として計算されます。^{[引用が必要]}

隠れマルコフモデルは、最も単純な動的ベイジアンネットワークとして表すことができます。アルゴリズムの目的は、観測値 y(t) のリストが与えられた場合に、隠れ変数 x(t) を推定することです。マルコフ特性を適用することにより、隠れ変数xの値が常に与えられた場合、時刻tにおける隠れ変数x ( t ) の条件付き確率分布は、隠れ変数x ( t − 1 ) の値のみに依存します。同様に、観測変数y ( t )の値は、隠れ変数x ( t )の値のみに依存します(両方とも時刻tで)。^{[引用が必要]}

人工ニューラル ネットワーク (ANN) は、人工ニューロンと呼ばれる接続されたユニットまたはノードの集合に基づいており、生物学的脳のニューロンを大まかにモデル化しています。生物学的脳のシナプスのように、各接続は、ある人工ニューロンから別の人工ニューロンに信号を伝達できます。信号を受信した人工ニューロンは、その信号を処理し、それに接続された追加の人工ニューロンに信号を送信できます。一般的な ANN 実装では、人工ニューロン間の接続における信号は実数であり、各人工ニューロンの出力は、その入力の合計の非線形関数によって計算されます。^{[出典が必要]}

位相は通常、ランダムな一様変数であるため役に立たないと考えられています。これは位相のラッピングによるものです。^[12]逆正接関数の結果は、での周期的なジャンプのため連続的ではありません。位相アンラッピング後（^[13]第 2.3 章「瞬間位相と周波数」を参照）、次のように表すことができます。^{[12] [14]}、ここで は線形位相（ は分析の各フレームでの時間的シフト）、は声道と位相源の位相寄与です。^[14] 得られた位相推定は、ノイズ低減に使用できます。瞬間位相の時間的平滑化^[15]とその時間（瞬間周波数）および周波数（グループ遅延）による導関数、^[16]周波数にわたる位相の平滑化。^[16]振幅推定と位相推定を組み合わせると、位相のフォンミーゼス分布の仮定に基づいて、より正確に音声を復元できます。^[14]${\displaystyle 2\pi }$ ${\displaystyle \phi (h,l)=\phi _{lin}(h,l)+\Psi (h,l)}$${\displaystyle \phi _{lin}(h,l)=\omega _{0}(l'){}_{\Delta }t}$${\displaystyle {}_{\Delta }t}$${\displaystyle \Psi (h,l)}$

• 対話型音声応答
• バーチャルアシスタント
• 音声認識
• 感情認識
• コールセンター自動化
• ロボット工学

• 計算聴覚学
• 神経計算音声処理
• 音声コーディング
• 音声技術
• 自然言語処理