ついに誰かがインテリジェント音声処理をわかりやすく説明してくれた

機械学習の急速な発展により、インテリジェントな音声処理のための強固な理論的および技術的基盤が築かれました。インテリジェント音声処理の主な特徴は、大量の音声データに含まれるルールを学習して発見することです。従来の音声処理では解決が難しい非線形問題を効果的に解決できるため、従来の音声アプリケーションのパフォーマンスが大幅に向上し、新しい音声アプリケーションに優れたパフォーマンスのソリューションを提供できます。

[[378542]]

01 インテリジェント音声処理の基本概念

処理を簡素化するために、従来の音声処理方法は一般に、短期的な音声は比較的安定しているという前提に基づく線形定常システムの理論的基礎に基づいています。しかし、厳密に言えば、音声信号は典型的な非線形、非定常のランダムプロセスであるため、従来の処理方法を使用して音声認識システムの認識率など、音声処理システムのパフォーマンスをさらに向上させることは困難です。

ロボット技術の継続的な発展に伴い、ロボットのインテリジェント音声インタラクションに代表される新しい音声アプリケーションでは、音声処理システムのパフォーマンス レベルを向上させるための新しい音声処理技術と方法の開発が緊急に求められています。

過去10年間、人工知能技術は前例のないスピードで発展してきました。機械学習の分野における新しい技術とアルゴリズム、特に新しいニューラルネットワークとディープラーニング技術の出現は、音声処理の発展を大きく促進し、音声処理の研究に新しい方法と技術的手段を提供しました。インテリジェントな音声処理が誕生しました。

今のところ、インテリジェントな音声処理の正確な定義は存在しません。広い意味では、音声処理アルゴリズムまたはシステム実装においてインテリジェントな処理技術または方法を完全にまたは部分的に使用するプロセスは、インテリジェントな音声処理と呼ぶことができます。

02 インテリジェント音声処理の基本フレームワーク

「音源フィルタ」モデルは、音源励起と声道フィルタを効果的に区別し、効率的に推定することができますが、発声器官は連携して機能し、発声時に密接な結合関係を持ちます。単純な線形モデルでは、発声の詳細な特性を正確に記述することはできません。

同時に、音声は情報に富んだ信号伝達媒体であり、意味、話者、感情、言語、方言など、多くの情報を運びます。これらの情報を分離して認識するには、音声を非常に詳細に分析する必要があります。これらの情報の判断は、もはや単純な規則の説明ではありません。発声メカニズムと信号の単純な特性を手動の手段で分析することは現実的ではありません。

人間の言語学習の考え方と同様に、機械学習手法を使用して機械に大量の音声データを「聞かせて」、音声データに含まれる規則を学習させることが、音声情報処理のパフォーマンスを効果的に向上させる主な手段です。人工的に設定された特徴パラメータを抽出して処理することに限られる従来の音声処理方法とは異なり、インテリジェント音声処理の最も重要な特徴は、データからルールを学習するという考え方が音声処理プロセスやアルゴリズムに反映されていることです。

図1-5は、インテリジェント音声処理の3つの基本的なフレームワークを示しています。図の点線部分は、従来の音声処理方法とは異なり、データから学習するというアイデアが含まれており、インテリジェント音声処理のコアモジュールです。

▲図1-5 知的音声処理の基本フレームワーク

このうち、図1-5aは古典的な音声処理の特徴抽出に基づいており、特徴マッピング部分にインテリジェント処理を統合しています。これは機械学習の古典的な形式です。図1-5bと1-5cは学習の基本的なフレームワークを表しており、そのうち図1-5cはディープラーニングの典型的なフレームワークです。「深層階層抽象特徴」は、階層化されたディープニューラルネットワーク構造を通じて実現されます。

03 インテリジェント音声処理の基本モデル

インテリジェント音声処理は、インテリジェント情報処理の重要な研究分野です。インテリジェント情報処理に関係するモデル、方法、技術はすべて、インテリジェント音声処理に適用できます。インテリジェント音声処理の基本モデルと技術は、主に人工知能から生まれています。機械学習は、人工知能の重要な分野として、現在、インテリジェント音声処理で最も一般的に使用されている手段です。機械学習における表現学習とディープラーニングは、現在、インテリジェント音声処理で最も成功したインテリジェント処理技術です。

図1-6 AI/ML/RL/DLの関係図

図1-6は、人工知能（AI）、機械学習（ML）、表現学習（RL）、深層学習（DL）の関係を示しています。

以下に、近年のインテリジェント音声処理でよく使用されるモデルとテクノロジを示します。

1. スパースセンシングと圧縮センシング

オブジェクトが表現される形式によって、それを理解する難しさが決まります。情報処理においては、スパースな特性を持つ信号表現は認識や区別が容易ですが、スパースな特性を持つ信号表現は区別が困難です。したがって、信号のスパース表現を見つけることは、情報処理問題を効率的に解決するための重要な手段です。

冗長辞書を使用することで、信号自体の特性を学習し、信号のスパース表現を構築し、さらにサンプリングと処理の難しさを軽減することができます。この辞書学習法は情報処理に新たな視点を提供します。辞書学習は音声信号に使用され、音声のスパース表現を構築します。これにより、音声コーディングや音声分離などのアプリケーションに新しい研究アイデアが提供されます。

2. 潜在変数モデル

すべての音声情報は音声波形に含まれており、潜在変数モデルでは、この情報が観測信号の背後に隠された潜在変数であると想定します。潜在変数モデルは、ガウスモデリングや隠れマルコフモデリングなどの手法を使用して、潜在変数と観測変数間の数学的記述を確立し、観測変数から各モデルパラメータを学習する方法を提供します。

パラメータ学習を通じて、潜在変数の変化パターンを発見し、それによって必要なさまざまな暗黙の情報を得ることができます。潜在変数モデルは、音声認識や話者認識などのアプリケーションのパフォーマンスを大幅に向上させ、長い間、インテリジェントな音声処理の主流の手段となってきました。

3. 組み合わせモデル

組み合わせモデルでは、音声は複数の情報の組み合わせであり、線形重ね合わせ、乗算、畳み込みなどのさまざまな方法で組み合わせることができると考えています。具体的な組み合わせ方法では、学習を通じて大量の音声データから学習できる一連のモデルパラメータを使用する必要があります。このタイプのモデルを導入すると、音声分離や音声強調などのアプリケーションのパフォーマンスが効果的に向上します。

4. 人工ニューラルネットワークとディープラーニング

人間は、大量の感覚データに直面しても、常に重要な注目すべき情報を巧妙な方法で得ることができます。情報を効率的かつ正確に表現する人間の脳の能力を模倣することは、人工知能の分野における中心的な課題であり続けています。

人工ニューラル ネットワーク (ANN) は、ニューロンをネットワークに接続することで、哺乳類の大脳皮質の神経経路をシミュレートします。生物の神経系と同様に、ANN は環境入力を感知して学習することで、パフォーマンスを継続的に最適化できます。

ANNの構造がますます複雑になり、層の数が増えるにつれて、ネットワークの表現能力はますます強くなります。ANNに基づくディープラーニングはANN研究の主流となり、多くの従来の機械学習手法と比較してそのパフォーマンスは大幅に向上しました。しかし同時に、ディープラーニングでは入力データに対する要件がますます厳しくなり、通常は膨大な量のデータのサポートが必要になります。

ANN は音声処理の分野に非常に早くから応用されてきましたが、初期のコンピューティング リソースの制限とニューラル ネットワーク レイヤーの数が少なかったため、音声処理アプリケーションのパフォーマンスを向上させることは困難でした。近年のディープ ニューラル ネットワークのコンピューティング リソースと学習方法のブレークスルーにより、ニューラル ネットワークに基づく音声処理のパフォーマンスが大幅に向上しました。

ディープニューラルネットワークは、音声信号内のさまざまな情報間の非線形関係を学習し、従来の音声処理方法では解決が困難な問題を解決できるため、現在のインテリジェントな音声処理にとって重要な技術手段となっています。