음성에서 전기성대신호 추정을 위한 적대적 근사 추론

초록

본 논문은 스피치 신호만을 이용해 전기성대신호(EGG)를 직접 복원하는 새로운 프레임워크를 제안한다. 조건부 확률 분포 p(Y|X)를 근사하기 위해 변분 하한(Evidence Lower Bound, ELBO)을 최적화하고, 자동인코더로 학습된 정보를 풍부하게 담은 사전분포를 적대적 학습으로 잠재공간에 강제한다. 다양한 화자, 음성 품질, 잡음 및 병리학적 상황을 포함한 데이터셋에서 기존 glottal‑inverse‑filtering 및 최신 딥러닝 기반 방법들을 능가하는 성능을 보이며, 특히 epoch(Glottal Closure Instant) 검출에서 우수함을 입증한다.

상세 분석

이 연구는 음성 신호와 전기성대신호(EGG) 사이에 존재하는 물리적 연관성을 확률적 변환 문제로 정의한다. 기존의 glottal inverse filtering은 선형 소스‑필터 모델에 의존해 포먼트 추정 및 잡음에 취약한 반면, EGG는 성대 접촉 면적을 직접 측정해 보다 안정적인 음성원 정보를 제공한다. 그러나 EGG는 전용 하드웨어가 필요하므로 실용성이 제한된다. 저자들은 동시에 수집된 스피치‑EGG 쌍 데이터를 활용해, 스피치 → EGG 변환을 조건부 생성 모델로 학습한다. 핵심 아이디어는 두 단계로 구성된다. 첫째, 자동인코더(AE)를 이용해 EGG 재구성에 최적화된 잠재공간 Z를 학습하고, 이를 “정보‑풍부 사전(prior)”으로 정의한다. 둘째, 스피치 입력 X를 잠재공간 Z로 매핑하는 변환 네트워크 Gθ를 설계하고, 이 과정에서 변분 베이즈 추론의 ELBO를 최소화한다. ELBO는 KL‑다이버전스 ‑E_{q(z|x)}