(実を言うと自分も1週間前までver0.47使ってた)

そう。僕は著作権を忘れていた。 作っても奥の手を使わないと公開できないorz

ピクミンやめい

4つ方法がある。 一つ。PDFか何らかの形式で楽譜をおいてるところを見つける。 二つ。MIDIをソフトで読み込んで、楽譜にしてそれを写す。 三つ。YOUTUBEで動画を探す。 四つ。耳コピ。

とりあえず音つくの使い方とMMLについてはおk？ MMLについて。MMLにはチャンネルというものがあって、チャンネルは15個ある。チャンネルにつき、一つの音だけをならせる。だから、2チャンネル使えば和音がならせるという訳。 音つくでは、下画面の1～15というボタンでチャンネルが変更できる。 次に音つくについて。CLEFというものがある。ヘ音とト音を変更できる。これでいくつかのチャンネルを変更して、左手のパートを作る。 なんか説明するの面倒なんで作ってあげようか？

なるほど…そういうことか。全てが繋がった。 妹さんしっかり守ってあけて下さい。でも自分のことも忘れずに。

明日休みだから、ある程度進められるかも。 というか米残数すげぇ。

うーん…。 GRPが進まねぇ…。 音声認識プログラムなんてまた新しいことにも手をだしてしまったし。リアルでもアレだし。 忙しい。 そうだ、一日一出社してみよう。

もうすぐ成人なのか。知らなかった。 いままでの言動から察するに聖人になりそう((

さて。どうしようか。

そこで考えだされた方法。 「認識する音あるんじゃね？と思われるところを長めに抽出して、音声のモデルの前後に雑音つけちゃって認識すればいいんじゃね？」 いやぁ天才ですぁ。どうしたらこういう思考になるかが分からん… れいさんの言う通り、母音の認識は容易かも。とりあえず「あいうえお」の認識を目標にして計画を遂行することを提唱しやす。

まず、音声認識システムを作るにあたって最初に確率すべき最重要課題があります。 それは、音声区間の検出です。雑音がある環境下で音声区間を検出するのは簡単ではないです。ここがしっかりできていないと、認識率の低下と結び付く可能性が高く、超重要なのです。 音声区間の認識には、主に一定のしきい値以上の短時間パワーが一定以上継続したかどうかによって判断する方法が用いられます。 雑音が定常で、SNRが大きければこれで対処できるっぽいですが、実用する為にせき払いや他人の声も棄却できることが望まれます。 この不要音と認識対象音の区別は音声認識の問題で、完全なアルゴリズムの実現はほぼ不可能らしいです。

今までで決定している事項、分かっていることをとりま明確にしておく。 [我々のやろうとしていること] 音声認識システム及び合成音声に関してプチコン上で再現する為の研究、及びそれらを応用した実用的システム開発を行う。 [その為に必要なこと] ・人材の募集。技術的な面、デザイン的な面、その他の面から様々な人の協力が必要。 ・役割を明確にしておくこと。協力をする際は、必ず個人個人のやるべきことを明確にしておかないと後々齟齬が発生して計画が上手くいかない可能性がある。 [それらの公開に関して] 作製された音声認識システムを基幹として、システムが返答する時の語尾や、イメージキャラクター等を変更した様々なバージョンを作製、シリーズ化する。 ここまではおk？

[音声認識を作る為にに必要なこと(個人の考え)] まず、音声認識の分類を知っておくといいかも。主に、認識対象の声による分類、対象話者による分類がある。 それから、どんな人が、どんな環境で使うのかを考える。人によってはごもごも喋って聞き取りにくいかもしれないし、環境によっては雑音が入る。そこを考えて、ハッキリさせる。 それから、音声認識で使うたくさんの技術のなかで、必要な技術を決める。上でハッキリさせた問題に対応できる技術を使って作る。さらに、プチコンの処理速度とかも考えなきゃいけない。 これらをまず最初の課題として考えてみるといいかもしれない。

画像参照。 ここで、P(y)は、wには無関係なので無視できます。P(y|w)は音響モデルによって得られ、文 wが発生される事前確率P(w)は言語モデルによって得られます。つまり、音声認識システムを作るのに重要なポイントは、 P(w)をどうやって計算するか、つまり、音響モデルと言語モデルをどう作るかが重要！！

話者は、脳内で文(w)を考えて、口から音声波形(s)を生成します。(s)には、話者個人の話し方の差や雑音等か含まれています。 認識システムの音声処理部は音声波形の分析、変換を行って、短時間スペクトル等の時系列データ(y)を出力します。 認識システムの言語復号部は、送信文の推定値として(wの上に^がついたやつ)を出力します。この時、事後確率P(w|y)が最大になるように推定します。 P(w|y)を直接求めるのは難しいので、ベイズ則によって次式を満たすように推定します。

音声認識には複雑な工程が必要ですが、簡略化して説明すると、 話者発声→音声分析、特徴抽出→特徴レベルの正規化、適応化→距離、類似度→ロバストマッチング→言語処理 で認識結果を出す、という感じです。上だと一方方向ですが、さらに分岐したりするので複雑です。

えーっと、まず始めにハッキリしておきますと…。 まずですが、自分は書籍がら得る理論なら分かります。理論なら。用語等もある程度理解はできます。 …ですが、複雑なプログラムを書けないし読めません。当然数式とかもわからないし…。 ですから、プログラムについては全てお任せしちゃうことになります。ごめんなさいorz

詳細な服とかの設定はまた後で話合って決めましょうか。まだ構想ができてないですからね…。 t　k　誰　も　米　残　し　を　し　な　い やはり音声認識となると相当な技術がいるからかなぁ… 残り米数9です。

よし、提案。 こうなったら、音声認識プログラムをシリーズ化しちゃいましょう。基幹システムは全て統一して、語尾やキャラクターを変更。もし喋らせるのだったら、声質も変更。 元気な感じとか、清楚な感じのとかそれぞれ違った印象のプログラムを作る。 そしたらキャラクターに迷う必要はなくなるっ！ｲｪｰｲ