1 |
1
훈련 음성 및 인식 음성을 각각 입력받아 복수의 프레임으로 분리하고, 각 프레임의 음성 신호에 대해 푸리에 변환을 수행하여 훈련 음성 켑스트럼과 인식 음성 켑스트럼을 추출하는 MFCC(Mel-Frequency Cepstral Coefficients) 특징 추출부와,상기 MFCC 특징 추출부에서 출력되는 훈련 음성 켑스트럼 및 인식 음성 켑스트럼의 전역 평균과 분산으로 훈련 음성 켑스트럼 및 인식 음성 켑스트럼을 각각 정규화하는 켑스트럼 평균 및 분산 정규화부와,상기 정규화에서 인식 음성 켑스트럼을 정규화할 경우 1 번째 문장부터 마지막(n) 번째 문장까지 각각 이전 입력의 켑스트럼의 정규화 값을 기반으로 현재 입력되는 켑스트럼의 전역 평균과 분산을 지속적으로 갱신하는 업데이트부와,상기 켑스트럼 평균 및 분산 정규화부에서 출력되는 정규화된 훈련 음성 켑스트럼 및 인식 음성 켑스트럼의 프레임별 음성 존재 여부에 대한 가중치를 구하여 정규화된 켑스트럼 시계열을 가중 자동회귀 이동평균 필터링하는 가중 자동회귀 이동평균 필터와,상기 가중 자동회귀 이동평균 필터에서 출력되는 훈련 음성 켑스트럼이 입력되면, 입력되는 훈련 음성 켑스트럼에 해당하는 HMM의 유사도(likelihood)가 최대가 되도록 HMM 음향 모델을 갱신하는 음향 모델 훈련부와, 비터비 디코딩(Viterbi decoding)을 통해 상기 가중 자동회귀 이동평균 필터에서 출력되는 인식 음성 켑스트럼에 대한 상기 음향모델 훈련부에서 출력되는 HMM 음향 모델의 유사도(likelihood)가 최대가 되게 하는 문장을 선택하는 음성 인식부를 포함하여 구성되는 것을 특징으로 하는 가중 자동회귀 이동평균 필터와 전역 켑스트럼 평균 및 분산 정규화를 이용한 특징 보상 장치
|
2 |
2
제 1 항에 있어서,상기 특징 보상 장치는 인식 단어에 대하여 단어별 구성 음소에 해당하는 음소 단위의 HMM(Hidden Markov Model)들로 이루어진 HMM 음향 모델 데이터베이스를 포함하는 것을 특징으로 하는 가중 자동회귀 이동평균 필터와 전역 켑스트럼 평균 및 분산 정규화를 이용한 특징 보상 장치
|
3 |
3
(A) 입력되는 훈련 음성 및 인식 음성을 각각 입력받아 복수의 프레임으로 분리하고, 각 프레임의 음성 신호에 대해 훈련 음성 켑스트럼과 인식 음성 켑스트럼을 추출하는 단계와,(B) 상기 추출된 훈련 음성 켑스트럼 및 인식 음성 켑스트럼의 전역 평균과 분산으로 훈련 음성 켑스트럼 및 인식 음성 켑스트럼을 각각 정규화하는 단계와,(C) 상기 정규화에서 인식 음성 켑스트럼을 정규화할 경우 1 번째 문장부터 마지막(n) 번째 문장까지 각각 이전 입력의 켑스트럼의 정규화 값을 기반으로 현재 입력되는 켑스트럼의 전역 평균과 분산을 지속적으로 갱신하는 단계와,(D) 상기 정규화된 훈련 음성 및 인식 음성 켑스트럼의 프레임별 음성 존재 여부에 대한 가중치를 구하여 정규화된 켑스트럼 시계열을 가중 자동회귀 이동평균 필터링을 수행하는 단계와,(E) 상기 가중 자동회귀 이동평균 필터링되어 출력되는 훈련 음성 켑스트럼이 입력되면 입력되는 훈련 음성 켑스트럼에 해당하는 HMM의 유사도(likelihood)가 최대가 되도록 HMM 음향 모델을 갱신하는 단계와,(F) 비터비 디코딩(Viterbi decoding)을 통해 상기 갱신된 HMM 음향 모델 중 가중 자동회귀 이동평균 필터링 된 인식 음성 켑스트럼에 대한 HMM 음향 모델의 유사도(likelihood)가 최대가 되는 인식 문장을 선택하는 단계를 포함하여 이루어지는 것을 특징으로 하는 가중 자동회귀 이동평균 필터와 전역 켑스트럼 평균 및 분산 정규화를 이용한 특징 보상 방법
|
4 |
4
제 3 항에 있어서, 상기 (B) 단계는(B1) 입력되는 훈련 음성 및 인식 음성 켑스트럼별로 k(1 이상의 상수)개의 샘플들을 취하여 각각 한 개의 프레임으로 구성하는 단계와,(B2) 상기 구성된 연속된 프레임별로 이산 푸리에 변환(Discrete Fourier Transform : DFT)을 한 후, 멜-스케일(mel-scale)의 삼각 필터뱅크에 통과시켜 N(1 이상의 상수)개의 필터뱅크 출력을 산출하고, 이를 이산 코사인 변환(Discrete Cosine Transform : DCT)하여 켑스트럼의 값을 산출하는 단계와,(B3) 상기 산출된 켑스트럼의 각 값을 켑스트럼 평균 및 분산 정규화를 사용하여 각각 정규화하는 단계를 포함하는 것을 특징으로 하는 가중 자동회귀 이동평균 필터와 전역 켑스트럼 평균 및 분산 정규화를 이용한 특징 보상 방법
|
5 |
5
제 4 항에 있어서, 상기 (B3) 단계는 상기 산출된 켑스트럼의 값( )을 수식 를 이용하여 정규화하고, 이때, 켑스트럼의 평균( )은 수식 를, 표준편차( )는 수식 를 이용하여 산출하며, 여기서 상기 N은 훈련 또는 인식 음성에서 사용한 전체 문장의 개수이며, 상기 은 n번째 문장의 프레임 수이며, 따라서 상기 은 훈련 또는 인식 음성에서 사용한 전체 프레임의 개수인 것을 특징으로 하는 가중 자동회귀 이동평균 필터와 전역 켑스트럼 평균 및 분산 정규화를 이용한 특징 보상 방법
|
6 |
6
제 3 항에 있어서, 상기 (C) 단계는(C1) 인식에 사용했던 1 번째 문장부터 마지막(n) 번째 문장을 사용한 전역 평균 을 수식 로 갱신하고, 이를 다시 수식 로 변환하여 켑스트럼의 전역 평균을 산출하고, 수식 로 변환하여 켑스트럼의 전역 표준편차를 산출하는 단계와,(C2) 상기 산출된 켑스트럼의 평균과 표준편차를 이용하여 n번째 인식 대상 문장의 t번째 프레임에서의 k번째 켑스트럼 를 수식 를 이용하여 정규화하는 단계로 이루어지고,이때, 상기 는 n번째 문장을 추가함에 따라 수식 으로 산출하고, 이때 n'과 는 미리 정의되는 상수인 것을 특징으로 하는 가중 자동회귀 이동평균 필터와 전역 켑스트럼 평균 및 분산 정규화를 이용한 특징 보상 방법
|
7 |
7
제 3 항에 있어서, 상기 (D) 단계에서 가중 자동회귀 이동평균 필터링은 수식 를 적용하여 필터링을 수행하고, 이때, 상기 k=1,
|