具体例

本研究では，各フレームのパワーが最大である周波数の初期位相を0[rad]にする． 以後，この処理を位相の標準化と呼ぶ．具体的な例を「悪口(w-a-r-u-g-u-ch-i)」 により示す．サンプリング周波数16kHzの「悪口(w-a-r-u-g-u-ch-i)」の音声波 形を図17に示す.音声波形にたいして，窓かけを行った結果を図18 音声波形の「u」の一部のフレームに対して，フーリェ変換した結果を図19に示す． 図19より，波形が周波数1.25[kHz]の時にパワーが最大であり，位相が2.83[rad] になる．そこで，位相を0[rad]にするために，フレームの先頭を0.375[ms]移動 する．図20に標準化前の波形と標準化後の波形を示す．

話者mauの5240単語のフレームごとの位相差と，移動するポイント，移動前後の フレームの先頭を付録に示す．

図 17: サンプリング周波数16kHzの「悪口(w-a-r-u-g-u-ch-i)」の音声波形

図 18: 音声波形に対して窓かけをした図

図 19: 「u」の一部のフレームに対してFFTした波形

図 20: 位相を標準化したフレームの一部