Index

音声フレーム

音声解析における前処理のひとつ.

時系列の信号の解析を行う場合、一般に、AD 変換された波形を入力とし、一定の時間間隔で、特徴量を抽出する.

その際、間隔ごとに分析される対象を 音声フレーム (Speech Frame) ・分析区間と呼び、音声フレームの間隔を フレーム周期 (Frame Period)と呼ぶ.

あるフレームの時間帯とその次のフレームの時間帯は、ある程度被るように分析する.

この被りのことをオーバーラップと呼ぶ.

フレームの幅のことをフレームサイズ・フレーム長と呼ぶ.

フレームの間隔のことをフレームシフト・フレーム周期・フレーム間隔と呼ぶ.

フレーム周期の長さは、短すぎると、特徴量が多くなり、計算量が多くなる.

長すぎると音声の動的な特徴を捉えることができない.

一般に音声の音素の長さは 30 ms 以上.

音素の音響的特徴は前後の音素にも左右されるため、10 ms 程度をフレーム周期としてとるのが良い.

10 ms ごとの音声フレームから特徴量を抽出することを考える.

このとき、音声フレームの両端が不連続な波形は、そのまま周波数分析をすると高周波に雑音・ノイズがのってしまう.

そこで、波形に対し、この時刻を中心に両端が減衰するように分析窓をかける.

フーリエ変換は、分析区間を 1 周期分とみなす.

つまり、分析区間の波形がその前後に連続する (最後のデータ点は、最初のデータ点と同じである) と解釈して変換するため、本来は分析区間の始端と終端が一致している必要がある.

分析窓としては、ハミング窓 (Hamming Window) とハニング窓 (Hanning Window) を使う場合がある.