位相をずらす実験

本実験では，入力した音声データに対して，窓かけをした後に，位相の標準化を 行った． この位相の標準化とは，パワーの最大値を周波数においての位相を0[rad]に近づ けることである．そこで，位相の標準化の具体的な例として，話者mauの音声デー タ「mau10002.16k」(aiの音声)を位相の標準化を行う．この時，初期位相をどの くらいずらすのかを計算したものを表2で示す．

表2では，無音部分からではなく，有声部分の先頭を開始点と して，フレーム化処理を行っている．しかし，FFTをした後に位相の標準化をす るときは，無音部分から行う．「mau10002.16k」の有性部分は352.5(ms)が開始 点である(mau10002のラベルデータより)．1ポイントにつき，0.0625(ms)であるから，352.5(ms)は，5641ポイント目に相当する．位相のフレームずらす際に、 表2においての1フレーム目の先頭のずらす点は「7」であるの で，ずらした後の有声部分の開始点は5634ポイント目となる．

しかし，認識するときは無音部分と有声部分をわけずに実験を行う．

表 2: 位相の標準化の実験結果(1フレーム目から20フレーム目)

フレーム	周波数	ピーク値(Power)	位相(rad/s)	ずらす点
1	906.250	7808.282227	2.488025	7
2	906.250	33698.230469	1.849129	5
3	875.000	207082.359375	0.529958	2
4	906.250	383741.750000	-2.684118	-7
5	906.250	411181.343750	-2.771761	-7
6	937.500	441269.062500	-2.420625	-6
7	812.500	707995.437500	-0.223174	0
8	812.500	895858.750000	-0.903382	-2
9	812.500	1427840.000000	-1.804603	-5
10	812.500	1269471.750000	-2.609309	-7
11	812.500	374933.875000	2.987870	9
12	656.250	128432.468750	-1.641816	-5
13	531.250	135378.671875	0.545380	3
14	500.000	69620.562500	-2.028308	-9
15	250.000	65511.703125	-1.806563	-17

表 3: 位相の標準化の実験結果(16フレーム目から32フレーム目)

フレーム	周波数	ピーク値(Power)	位相(rad/s)	ずらす点
16	250.000	81679.726562	0.987292	10
17	250.000	56897.648438	-1.894007	-18
18	218.750	51318.531250	0.265669	3
19	218.750	49875.636719	-1.230631	-13
21	218.750	21276.240234	-2.203962	-25
22	187.500	16606.263672	2.920523	40
23	187.500	10472.069336	-2.213172	-29
24	156.250	6964.058594	-2.378326	-38
25	156.250	3952.428711	-0.304996	-4
26	156.250	2161.698975	1.891219	31
27	156.250	1670.674561	-1.409364	-22
28	156.250	1905.446899	2.095201	34
29	156.250	1027.817261	-0.822841	-12
30	125.000	400.841736	0.711612	14
31	281.250	392.350342	0.529484	5
32	187.500	164.176025	-2.104321	-28