2016/01/29
朝6時半起床。シャワーを浴びて、昨日対応するはずだった作業をし、メールを書いたりする。
8時過ぎに朝食。鵜木先生、Yan先生とご一緒する。
9:30から開始。
Kim先生がまずご挨拶。
Lecture session I
よく見たら座長がいない。座長なしのセッションなのか。
1. Multichannel speech reinforcement exploiting spatial information (Gwangju Inst. Sci.&Tech)
異なる方向から来た複数の音が知覚的に互いにマスクしない現象(binaural unmasking)の説明。Speech reinforcementは、環境による劣化を経た音が目的音に近くなるように送信元で音をあらかじめ強調する手法。ここでは携帯電話などがターゲットで、評価はラウドネスで行うらしい。基本的な方法は、入力音をバンドパスフィルタで周波数ごとに分離し、それぞれの周波数でのSNRに応じてラウドネスが同じになるよう補正するというもの。提案法では、複数マイクロフォンで雑音源の方向を推定し、binaural unmasking効果を考えてゲインを決めるらしい。雑音源にはITU-T P.501を使用。評価は主観的な選好評価だが、何の選好かと聞いてみたら、聞き取りやすさとか音質など何種類かを試しているようだ。鵜木先生からbinaural loudnessとの関係は如何にという質問が来て発表者が困っていた。
2. Speaking style recognition of pilots in flight (Beijing Inst. Tech.)
パイロットの通信音声のパラ言語的スタイルの識別。コマンド音声と自由会話の識別をしているようだ。特徴量はopenSMILEで計算。識別はSVMでツールはWEKA。話者・テキスト独立な認識で、録音はコックピットで行ったものらしい。雑音がどのくらいなのか聞いてみたが正確な値はわからないとのこと。ただしだいぶ雑音がひどいもののようだ。
3. A study on the speech rate and intelligibility of Japanese speech for non-native listener (Tohoku U)
当研究室の魏くんが発表。外国人による「やさしい日本語」の聞き取りと話速の影響。以前のハフィヤン君の研究よりも文の難易度・話速を広く振ってみたが、客観的な聞き取り能力に対する話速の影響はない。
コーヒーブレイク。
Lecture session II
1. Extraction of an acoustic biomarker for predicting the severity of obstructive sleep apnea (SNU)
Obstructive sleep apnea (OSA)は睡眠障害の一種（睡眠時無呼吸症か？）。実際に診断をするには、寝てる間にEEG, EMG, EOG, SPO2などをつけなければいけなくて大変。そこでこの研究ではいびきを観測してOSAの診断をする。診断の指標がAHI (Apnea-Hypomnia Index)。REMとN1睡眠の時には呼吸音以外の声がするので、その部分は除外。特徴量はMFCC, spectral fluxなどふつうのもの。入力を5秒ごとに区切り、それぞれのセグメントで特徴量を計算する。その平均と分散を最終的な識別の特徴量とする。311種類の特徴量の中から識別に有効な122種類をTukey-HSDテストで選別。識別は2クラスまたは4クラス(normal,mild,moderate, severe)。識別器はロジスティック識別。2クラスで93%ぐらいの識別率。
2. Grammar induction from spoken dialogue data (Inst. Acoustics, CAS)
対話音声認識のために、統計的な言語モデルを作るのではなく、データから文法を推定する。手書き文法と混ぜることも可能。ルールにはlow level とhigh levelがあり、high-levelの方は音声理解・発話識別に使われる。Low-levelの方はテンプレートみたいな奴だが、high-levelの方はよくわからない。タスクはATISみたいなやつ。low-level ruleの推定には固有表現推定、単語間の関連推定、人手によるものなどが混在しているらしい。High-levelルールはlow levelルールのバイグラムとかから識別する。全体によくわからない発表。
3. Evaluation of selection response for non-task-oriented dialogue using MMDAgent (Tohoku U)
当研究室の蔭山さんの発表。MMDAgentで、ユーザが音声入力したときの状態遷移条件を改善した。基本的にMMDAgentは状態遷移するときに入力に含まれるべき単語集合を指定するが、変更後にはここに用例文を書いて、類似度最大の遷移を選ぶようにする。
ホテルのフロントがある建物の地下で昼食。ビビンバ、白身魚、牛煮込みからビビンバをチョイス。
13時40分から午後のセッション。
Lecture session III
1. DNN-based residual echo suppression (SNU)
エコーキャンセルで残る残響を後処理的にDNNで抑圧する。DNNは振幅スペクトルに対してかけているようだが、いまいち細かいところがわからなかった。
2. A study on speaker-independent voice conversion using spectral differential filter based on neural network (Tohoku U)
当研究室の小池君。スペクトル差分フィルタを用いた声質変換で、ケプストラムを変換する関数としてDNNを使う。客観指標では比較的よい性能だが、F0を変換していないので、元話者のF0がターゲット話者と異なる場合には、主観的な自然性は高いが話者類似性は低い。
3. A statistical model-based voice activity detection using multiple DNNs and noise awareness (Hanyang U)
DNNによる音声切り出し。特徴量は音声の対数尤度比、事前SNRと事後SNR。また雑音の自動分類も行い、雑音ごとのVAD結果を統合して最終結果を出す。雑音分類の精度は99.3%、VAD性能では全体的にSVMより高性能。最初から全体をDNNでやるようにすればいいのにとコメントした。
4. A study on singing voice synthesis based on deep neural networks (Tohoku U)
当研究室の本郷君。すでに提案されているDNNベース音声合成の枠組みをそのまま使って歌声合成をしてみた（ただしスペクトル情報のみ）。ドロップアウト学習をするとケプストラム歪みはGMM-HMMより少し低いが、主観評価では微妙な結果。学習データは30曲だが、Yan先生から「もっとデータがあったらDNNが勝つのか？」という質問があった。
コーヒーブレイク。
Lecture session IV
1. Spatial sound reproduction in virtual concert hall (SNU)
コーヒー飲みながら発表。楽器の音を放射特性も含めて録音し、室伝達関数をかけて再生する話。再生系は包囲型スピーカ。新しい提案というよりも実践報告みたいな感じ。
2. A statistical approach to source separation using ad-hoc microphone arrays robust to positioning errors (Tohoku U)
鈴木研のヴィルギリウスさん。系の中の適当な位置にマイクを置いて非同期録音をするアドホックマイクロホンアレイに関する研究。この手のものは環境中に適当にばらまけばよいことが利点なので、位置が多少ずれた場合でも解が大外れしないように、一般化逆行列の計算の際に正規化項を入れる。正則化の話が終わってさあ結果はどうだというところで終了。
3. Reverberation-robust acoustic indoor localization (SNU)
音を使った室内位置推定。室内に固定されたスピーカから音を出すことによって、それを観測したマイクの位置を推定する。スピーカからは議事乱数系列を出して、複数のスピーカからの信号の相互相関をとることで距離を測る。近接効果をなんとかするために何かしてるのだが聞き逃した。
4. An audio watermarking scheme based on automatic parametrized singular-spectrum analysis using differential evaluation (JAIST)
音響電子すかし。Singlar Spectrum Analysis (SSA)とは、入力サンプルを1サンプルずつ回転的にずらした行列を特異値分解して得られた特異値とベクトルのことのようだ。これによって特異値に対応するベクトルは波形としての基底みたいなものになる。情報を埋めるときには、中ぐらいの値の特異値をある大きさにそろえる。そろった特異値の大きさと順位に情報を埋める。この発表で新しいのは、SSAにDifferential Evolution (EV)というのを入れるところ。Evolutionというから何かと思ったらGAみたいなことをしている。特異値を完全に同じ値にそろえてしまうと信号が聴覚的に劣化するので、0の特異値と1の特異値が識別できる程度にだらだら小さくなるような系列にするようだが、実際にどういう値にするかをGAみたいなもので決める。
これでワークショップは全部終わり。日中韓を代表してKim先生、Yan先生、赤木先生がごあいさつ。
いったん部屋に戻り、1時間ほどゆっくりする。17:30から、昼食と同じメインの建物の地下で懇親会。
懇親会ではKim先生、Yan先生らと話をしながら結構飲む。最近どこでも禁煙だった話とか、社会情勢などについて。
2時間ほどで終了。学生達は連れだって2次会に行ったようだが、私はおとなしく部屋に戻る。
部屋では酔っぱらっているため緻密な仕事はできず、プログラムを書いたり来週の発表スライドなどを作る。結構時間がかかり（スライドはぜんぜんできず）、23時過ぎに寝る。
前の日へ 目次へ 次の日へ