9/24(水)

Auditory-Inspired Spectro-Temporal Features I

Speech Coding, Quality Measurement and Auditory Modelling

• High-Quality Analysis/Synthesis Method Based on Temporal Decomposition for Speech Modification (JAIST)
  STRAIGHTスペクトルを基底とイベント関数に分解して分析するという話．イベント関数の時間変化をモデル化して制約を入れる．基底をどう選ぶのか， いま一つわからなかった．
• Improved Frame Loss Recovery Using Closed-Loop Estimation of Very Low Bit Rate Side Information  (University of Sherbrooke)
  CELPのパケットロス隠蔽のための補助情報の研究．パケットコピーをすると，エラーがフレーム間で伝播するため，できるだけエラーを減少させたい．そこ で，残差信号の最大パルスの位置(非定常の場合)，または1フレーム前の残差信号と真の残差信号との最適シフト量(定常信号の場合)を補助情報として送 る．
  
• A Novel Non-Intrusive Objective Speech Quality Measurement Based on GMM and SVR (Beijing Institute of Technology)
  音声品質の客観評価．GMM尤度をSVR(Support Vector Regression)によってMOS値にマップする．P,563による評価よりも良い．要するにNNの代わりにSVRを使いましたという話か？
• Decision Tree Based Frame Mode Selection for AMR-WB+ (Seoul National University)
  AMR-WB+では，入力に合わせてコーデックを使いわけるのだが，全探索で最良の組みあわせを求めると時間がかかるので，ある入力に対してどのコーデッ クを使えばよいかを決定木で決める．まだきちんとした評価はない様子．
• Assessment of Objective Quality Measures for Speech Intelligibility (Swansea University)
  Speech Intelligibility の客観評価．いろいろなパラメータによる評価値と主観評価の相関を，さまざまな劣化音声について調べているが，どの客観評価値も万能ではない．重みつきス ペクトル傾斜だけが，どの劣化音声に対しても比較的良好な相関を見せる．
• Assessment of the Speech-Quality Dimension “Noisiness” for the Instrumental Estimation and Analysis of Telephone-Band Speech Quality (Christian-Albrechts-Universität zu Kiel, Germany)
  音声のノイジネスの客観評価．Dimension Parameter というのを使うようだが，よくわからなかった．
• Intelligibility Evaluation of Ramsey-Derived Interleavers for Internet Voice Streaming with the iLBC Codec (Universidad de Granada)
  普通のBlock Interleaverを使った場合と，Ramsey Interleaverというのを使った場合で，音声ストリームのパケットロス隠蔽の品質がどう変わるかという研究．あんまり違わないという結果だったよ うな．

Prosody: Prosodic Structure, Paralinguistic, Non-linguistic and Other Cues

• A Study of Pitch Patterns of Japanese English Analyzed via Comparative Linguistic Features of English and Japanese (筑波大)
  田中和世先生のところ．日本人英語のピッチの特徴．
• A Corpus-Based Prosodic Study of Alsatian, Belgian and Swiss French (LIMSI)
  アルザス人，ベルギー人，スイス人のフランス語のプロソディの特徴．
• Prosodic Position Effects and Function Words in English: A Pilot Study (日大)
  英語の機能語のプロソディ．
• How Useful Are Polynomials for Analyzing Intonation? (Max Planck Institute for Psycholinguistics)
  ToBIのイントネーションラベルで，「高」「低」ではなくて，多項式曲線でイントネーションを記述すればどうだ，という話．それにしても，マックスプラ ンク研究所に心理言語学部門なんてあったのか．
• Adaptive Filter Based Prosody Modification Approach (Harbin Institute of Technology)
  プロソディ操作．
• Speech/Laughter Classification in Meeting Audio (Institute for Infocomm Research)
  会議音声での笑いと音声の識別．
• Getting the Last Laugh: Automatic Laughter Segmentation in Meetings (ICSI)
  会議音声での笑い部分のセグメンテーション．変調スペクトルなども使う．
• Balancing Spoken Content Adaptation and Unit Length in the Recognition of Emotion and Interest (Otto-von-Guericke-Universität Magdeburg)
  感情音声認識に適切な単位．音素，単語，文のどの単位が識別にどのように寄与するか，等．

Automatic Speech Recognition: Language Models I

• Improving Japanese Language Models Using POS Information (Toshiba Europe)
  品詞n-gramにバックオフする言語モデル．90年代後半に似たような研究があったはずだけど，参照していないようだ．この研究では Structured Language Modelを併用する．学習データとテストデータのドメインに不整合がある点を古井先生につっこまれていた．
• Iterative Language Model Estimation: Efficient Data Structure & Algorithms (MIT)
  Back-off N-gram 高速計算のためのデータ構造．N-gram vector というようだが，単なるN-gramの配列と何が違うのかちょっと理解できなかった．新しい言語モデルのツールキット MIT LM Toolkit に採用されているらしい．

Automatic Speech Recognition: Acoustic Models II

• A Shrinkage Estimator for Speech Recognition with Full Covariance HMMs (University of Edinburgh)
  全共分散HMM．分布数などの決定にShrinkage Estimator というのを使う．詳細はよくわからなかった．
• Discriminative Training for Complementariness in System Combination (Nuance Germany)
  システム統合を前提として，統合後の性能が上がるように各システムのパラメータを識別学習する．アイデア自体は2005年だか2006年の Interspeechで見た気がする．
• Min-Max Discriminative Training of Decoding Parameters Using Iterative Linear Programming (Hong Kong University of Science & Technology)
  デコーダの言語重みと挿入ペナルティの最適化問題を線形計画法で解く．単に単語誤り率最小化ではなく，識別学習を行なう．

Robust Automatic Speech Recognition I

• Soft Missing-Feature Mask Generation for Simultaneous Speech Recognition System in Robots (京大)
  奥乃研の発表．複数方向から来た音声の分離にソフトマスクを使う．MUSIC法と比べてどうなの，と聞いてみたが，いまいちな反応．
• Silence Feature Normalization for Robust Speech Recognition in Additive Noise Environments (National Chi Nan University)
  VADと似た方法で，特徴量のうちlogPower を正規化する．破裂音の前のstop区間とかに有効．

Speech Analysis and Processing, Voice Conversion and Modification

Automatic Speech Recognition: Adaptation I

• Discrimininative Training of Narrow Band - Wide Band Adapted Systems for Meeting Recognition (Brno University of Technology)
  広帯域で録音した会議音声を認識するための音響モデルのトレーニングデータとして，電話による対話音声を使いたい(量が多いから)．そのために適応でなん とかする．さまざまな適応法の組みあわせ．
• A Fast Speaker Adaptation Method Using Aspect Model (東北大)
  うちの発表．わりと好評だったようだ．
• Probabilistic Latent Speaker Training for Large Vocabulary Speech Recognition (Peking University)
  題名がうちでやっている内容と極めて似ているのでちょっと焦ったが，原理が違うのでちょっと安心．混合分布において，各単一正規分布ごとに，どの話者がど の分布に属する声を出したかをViterbiアルゴリズムで調べ，話者-状態行列を作る．これをPLSAでモデル化し，通常の音響尤度と線形結合する．
• Adaptive HMM Topology for Speech Recognition (National Cheng Kung University)
  HMMの状態数を適応的に変化させる．3状態から出発して，各状態間に最大1状態挿入を許す(なので，最大5状態)．音響尤度に基づく．SSS-free の方がエレガントな気がしないでもない．
  

Robust Automatic Speech Recognition II

• Eigen-MLLR Environment/Speaker Compensation for Robust Speech Recognition (National Taipei University of
  Technology)
  EigenMLLR による環境適応．MLLR変換行列を固有値展開して次元圧縮し，その縮小次元内で最尤な行列を選ぶ．
• Environment Mismatch Compensation Using Average Eigenspace for Speech Recognition (University of Texas at Dallas)
  Average Eigenspace Decomposition は，すべての分布の共分散行列をいっぺんに分解する近似的な固有値展開(みたいなもの)．これを使って，少ないパラメータで環境適応を行う．

Features for Speech and Speaker Recognition

• Human-Like Ears versus Two-Microphone Array, Which Works Better for Speaker Identification? (University of Auckland)
  ダミーヘッドで音声を録音すると，単にマイクロホン2つで録音するよりも話者認識精度が上がる．認識手法は，両チャネルの音声を非線形処理(全波整流)し て，その相互相関をとり，さらにケプストラムを計算してそれをICAにかけるという方法．聞いたことない．