CENSREC-2ベースラインスクリプト説明書（pdfファイル）

CENSREC-2 添付資料
IPSJ SIG-SLP 雑音下音声認識評価 WG
CENSREC-2 ベースラインスクリプトの使用方法について
1
1. CENSREC-2 データベースの全てのディレクトリ，フ
ァイルを任意のディレクトリに展開する．
はじめに
本ドキュメントは，自動車内音声認識の評価用データ
2. perl/htk baseline/censrec2 config.pl の$DB ROOT
に CENSREC-2 を展開したディレクトリ名を記述す
る．また，$PROC NAME に処理の名称を記述する（デ
ベース CENSREC-2 (Corpus and Environments for Noisy
Speech RECognition) のベースラインスクリプト仕様と使
用方法について述べたものである．
フォルトは htk baseline）．ベースラインスクリプ
トでは，processing/以下に$PROC NAME に記述した
2
ディレクトリが作成され，その下に特徴量や HMM な
使用方法
2.1
ど，全ての評価環境が格納される．
バックエンドの仕様
3. perl/htk baseline/init.pl を実行する．これによ
り processing/以下に$PROC NAME に記述したディレ
クトリが作成され，その下に特徴量や HMM など，全
ての評価環境が格納される．
まず初めに，CENSREC-2 ベースラインバックエンドの
基本的な仕様について述べる．
• スクリプトは全て Perl で作成し，Perl ver.5 以降に
対応．
4. perl/htk baseline/fea extract htk.pl を実行し
て，特徴抽出を行う．
• HTK [1] を使用して，HMM の学習および，認識を
行う．
5. perl/htk baseline/train.pl を実行して HMM の
学習を行う．スクリプトの引数は，cond1, cond2, cond3,
cond4 のいずれかであり，それぞれ CENSIREC-2 の
4 種類の評価環境に対応している．
• 認識は単語単位 HMM により行い，モデル数は数字
11 種類（1∼9, 0（まる），Z（ぜろ）），無音（sil）,
ショートポーズ（sp）の 13 種類である．
6. perl/htk baseline/test.pl を実行して認識を行う．
引数は perl/htk baseline/train.pl と同様である．
• HMM のトポロジーについては，数字は 16 状態 20 混
合分布，無音は 3 状態 36 混合分布，ショートポーズ
は 1 状態 36 混合分布（無音モデルの第 2 状態と共有）
である．
2.2
7. processing/htk baseline/results/以下に出力さ
れた結果を確認する．認識結果は，test cond1.res
等，拡張子.res のファイルに出力される．
perl スクリプトが動作しない場合は，各ファイルの先頭
にある perl のパス (デフォルトは/usr/bin/perl) を環境
に応じて書き換える．
ベースラインの算出
ベースライン評価における特徴量には，HTK の HCopy
により求められた MFCC(12 次元) + ∆MFCC(12 次元) +
∆∆MFCC(12 次元) + log power(1 次元) + ∆power(1 次
2.3
元) + ∆∆power(1 次元) の計 39 次元の特徴パラメータを
用いる．分析条件は，1 − 0.97z −1 のプリエンファシス，ハ
フロントエンドの変更
フロントエンドプログラムの変更は容易である．フロント
ミング窓，24 次元のメルフィルタバンク，20ms の分析フ
エンドプログラムが HCopy のようにファイルリストにより入
レーム長，10ms のフレームシフトとする．また，自動車雑
出力を行なうプログラムの場合は fea extract htk.pl を，
音特有の低周波成分に対処するため，メルフィルタバンク
その他，詳細な条件については，lib/config hcopy を参
1 ファイルずつ入出力するプログラムの場合は fea extract
.pl をベースとして，特徴抽出用スクリプトを書くのがよい．
fea extract.pl を用いる場合は，censrec2 config.pl の
$EXE にプログラムの絶対パス，$OPTIONS にプログラムの
照されたい．
オプションを記述することによって簡単にフロントエンド
分析時に 250Hz 以下の低周波成分を取り除く．なお，ベー
スライン評価では cepstral mean subtraction は行わない．
ベースラインの算出は以下の手順により行う．
プログラムを変更できる．
1
表 1: CENSREC-2 スプレッドシート
CENSREC-2 Evaluation Results
Condition 1
80.58
CENSREC-2 Baseline Results (%)
Condition 3
Condition 4
Condition 2
74.49
61.46
48.87
Average
66.35
Condition 1
CENSREC-2 Word Accuracy (%)
Condition 3
Condition 4
Condition 2
Average
Condition 1
CENSREC-2 Relative Improvement
Condition 3
Condition 4
Condition 2
Average
------------------------------ Overall Results ------------------------------SENT: %Correct=62.58 [H=1855, S=1109, N=2964]
WORD: %Corr=87.04, Acc=80.58 [H=8726, D=515, S=784, I=648, N=10025]
==============================================================================
図 1: 認識結果の例
2.5
フロントエンドプログラムの出力データは当然 HTK フ
ォーマットでなければならない．新たに生成したパラメータ
各機関における認識手法の性能評価は，おおよそ次の手
の種別が MFCC E D A であり且つ次元数が 39 次元である場合
順になる．
は，censrec2 config.pl を変更する必要はない．パラメー
タ種別が変更になっている場合は，censrec2 config.pl の
$PAR TYPE と$NUM COEF の 2 箇所を変更する必要がある．
2.4
評価の流れ
1. 2.3 節の要領でフロントエンドを変更し，特徴量を抽
出する．
2. 2.2 節と同じ要領で，評価環境毎に HMM を学習する．
手法として必要ならばスクリプトを改変すること．改
変する場合には，後で述べるカテゴリーに留意する
こと．
評価用スプレッドシート
CENSREC-2.xls は評価用スプレッドシートであり，表 1
のような構成になっている．表 1 の上段は，各評価環境の
ベースライン性能 (%Acc of baseline) とその平均を示してお
り，中段に自身の手法による認識結果（%Acc) を入力する．
中段に認識結果を入力すると，下段にベースライン性能と
3. 2.2 節と同じ要領で，学習したモデルを用いて評価環
境毎に認識を行う．手法として必要ならばスクリプト
を改変すること．改変する場合には，後で述べるカテ
の相対的な改善性能（誤り改善率: Relative improvement）
ゴリーに留意すること．
が自動で出力される．中段に入力する値は，認識結果ファ
4. 認識結果を 2.4 節の要領でスプレッドシートへ入力
する．
イル（test cond1.res 等）内の Acc の値である（図 1 の
Acc = 80.58 で示された値)．また，誤り改善率 (Relative
improvement) は，次式により得られる．
3
Relative improvement =
%Acc − %Acc of baseline
× 100(%),
=
100 − %Acc of baseline
バックエンドの詳細
3.1
HMM 学習の詳細
HMM の学習は以下の手順に従って行なわれる．
1. HCompV により，hmm0000/以下に HMM のプロトタイ
プを作成．
2
4
2. sp 無しラベル (lib/labels.mlf) を用いて，HERest
により 3 回繰返し学習 (hmm0001/∼hmm0003/)．
評価カテゴリー
CENSREC-2 では，バックエンドの変更（HMM の学習
方法，トポロジーの変更，特徴量の変更など）に対して，そ
の度合に応じたカテゴリーを設定する．バックエンドを変更
した結果を発表する場合，以下に示すカテゴリーから一つ
を選び，発表でそれを示す必要がある．バックエンドを変更
しない場合は，カテゴリー 0. となる．カテゴリー内で性能
比較を行なうことで，各手法の性能比較をより適切に行な
うことができる．尚，下記のカテゴリーは，AURORA-2J
のカテゴリー設定に一部変更を加えたものとなっている．
3. sp モデルを追加し，HHEd により sil の混合数を 2 に
上げる (hmm0100/)．
4. sp 有りラベル (lib/labels sp.mlf) を用いて，3 回
繰返し学習 (hmm0101/∼hmm0103/)．
5. 混合分布数を 2(sil, sp は 4) に上げる (hmm0200/)．そ
の後，3 回繰返し学習 (hmm0201/∼hmm0203/)．
6. 混合分布数を 3(sil, sp は 6) に上げる (hmm0300/)．そ
の後，3 回繰返し学習 (hmm0301/∼hmm0303/)．
カテゴリー 0. ベースラインスクリプトを全く変更しない
場合．
7. 混合分布数を 4(sil, sp は 8) に上げる (hmm0400/)．そ
の後，3 回繰返し学習 (hmm0401/∼hmm0403/)．
カテゴリー 1. 標準 HMM と同じトポロジーの HMM だが，
8. 混合分布数を 6(sil, sp は 12) に上げる (hmm0600/)．
その後，3 回繰返し学習 (hmm0601/∼hmm0603/)．
識別学習等，学習方法を変更している場合．このカテ
ゴリーの認識時のコストは，ベースラインと全く同じ
である．その他の実験条件はベースラインと同じ条件
9. 混合分布数を 8(sil, sp は 16) に上げる (hmm0800/)．
に従う．
その後，3 回繰返し学習 (hmm0801/∼hmm0803/)．
カテゴリー 2. ベースラインスクリプトと同じトポロジー
10. 混合分布数を 10(sil, sp は 20) に上げる (hmm1000/)．
その後，3 回繰返し学習 (hmm1001/∼hmm1003/)．
11. 混合分布数を 12(sil, sp は 24) に上げる (hmm1200/)．
その後，3 回繰返し学習 (hmm1201/∼hmm1203/)．
の HMM で，認識時の適応技術を導入している場合．
話者適応，環境適応，1 状態 1 混合の雑音 HMM を用
いた PMC 等がここに含まれ，認識時に適応を行なう
ことによる認識コストの増加がある．その他の実験条
件はベースラインと同じ条件に従う．
12. 混合分布数を 16(sil, sp は 30) に上げる (hmm1600/)．
その後，3 回繰返し学習 (hmm1601/∼hmm1603/)．
カテゴリー 3. 混合数や状態数等の HMM トポロジーを変
更している場合．ただし，モデル単位はベースライン
13. 混合分布数を 20(sil, sp は 36) に上げる (hmm2000/)．
その後，10 回繰返し学習 (hmm2001/∼hmm2010/)．
と同じ (CENSREC-2 では単語単位 HMM) であるこ
とを条件とし，2 状態以上の雑音モデルを用いた PMC
等がこれに相当．その他の実験条件はベースラインと
3.2
同じ条件に従う．
認識の詳細
カテゴリー 4. 認識デコーダがベースラインスクリプトと
認識にはディレクトリ hmm2010/に出力されるモデルが
同じ (CENSREC-2 では HVite) であることを条件に
使用される．また，認識文法は lib/wdnet.syn にあるよ
どのような処理も許される場合．モデル単位の変更
うに，
や，文法・辞書の書き換え等がこれに相当．
$digit = one | two | three | four |
five | six | seven | eight |
カテゴリー 5. 規定無し．提供されるデータベース内であ
れば，どんな処理でも許される．認識デコーダの変更
nine | zero | oh ;
も許容．
( [sil] < $digit [sp] > [sil] )
カテゴリー B. 提供されるデータ以外のデータを使用する
場合．評価データは提供されているものを用いる．
図 2: EBNF 記法による認識用文法
となっている (EBNF 記法)．ベースラインスクリプトでは，
lib/wdnet.syn から HTK の HParse により生成した Net-
参考文献
[1] HTK Web site, http://htk.eng.cam.ac.uk/
work ファイル (lib/wdnet.net) を使用し，HTK の HVite
により認識を行なっている．
3