位相情報とは

従来の音声認識ではMFCCを主に使用しており，音声に含まれている位相情報は無 視されている．しかし近年，位相情報と併用することで認識精度の向上が報告さ れている[1]．また，話者認識の分野でも精度向上が報告されている [2]．このため，位相情報を利用した特徴量に着目する．
位相情報は，音源波形の特徴によって大きく影響を受け，声道の形によっても影響さ れる．一般に使用される特徴抽出では離散フーリェ変換は以下の式で表される (式8と同様)．

$$S( e^{j \theta (\omega ,t)}) = \sum_{n=0}^{N-1} Input(n) e^{-j \theta (\omega ,t)}$$ (13)

ここで，同じ角周波数$\omega$ でも切り出す位置によって位相情報 $\theta (\omega,t)$ が異なってしまう問題が生じる． また， 位相パラメータ$\theta$は$0〜2\pi$の範囲を超える場合がありえ， $\pi -\theta 1$と $\theta 2=-\pi +\theta 1$では$\theta 1$が小さい場合に， 本来位相差が小さいにも関わらず $\vert \pi -\theta 1-\theta 2 \vert =2\pi -2\theta 1$と，大き な差として比較されてしまう(本来は0に近い値である)．これは位相が連続値で ないために生じる問題である． このため本研究では，$\theta 1$に対して$cos\theta 1$ と$sin\theta 1$という変換を行い，$\theta 1$に対応する座標値として位相情 報を用いる． つまり，離散フーリェ変換は複素数として出力されるため，振幅の情報と位相の 情報がある．図4に複素数平面における情報を示す．

図 4: 複素数平面における情報

従来の特徴量抽出では，絶対値をとったパワースペクトル(振幅情報)のみが使用 されているため，位相の情報を除外している．