音声認識の前処理における高域強調について

音声認識の前処理で高域強調を行った時の出力結果が妙に小さいと感じるので、間違いがあれば指摘していただければ幸いです

参考文献の記述

機械学習プロフェッショナルシリーズ音声認識（著者　篠田浩一）のChapter2.1.2において、

次に、音声のパワーは高域になるほど減衰するので、それを補償するために高域強調の処理を行います。一般的には6dB/octの高域強調を行います。
〜中略〜
量子化された離散信号x(n),n=0,1,2,...においては,
y(n)=x(n)-αx(n-1)
と表すことに相当します。
〜中略〜
6dB/octの特性を実現するために、αの値として0.97程度がよく用いられます。

と書かれており、以下のように高域強調のソースを書きました。

該当のソースコード

python
1#coding:utf-8
2import wave
3import struct
4from pylab import *
5
6def fir(x, b):
7    """FIRフィルタ
8    x: 入力信号
9    b: フィルタ係数"""
10    y = [0.0] * len(x)  # フィルタの出力信号
11    N = len(b)      # フィルタ係数の数
12    for n in range(len(x)):
13        for i in range(N):
14            if n - i >= 0:
15                y[n] += b[i] * x[n - i]
16    return y
17
18def save(data, fs, bit, filename):
19    """波形データをWAVEファイルへ出力"""
20    wf = wave.open(filename, "w")
21    wf.setnchannels(1)
22    wf.setsampwidth(bit // 8)
23    wf.setframerate(fs)
24    wf.writeframes(data)
25    wf.close()
26
27if __name__ == '__main__':
28    wf = wave.open("data/VOICEACTRESS100_092.wav", "r")
29    fs = wf.getframerate()
30
31    x = wf.readframes(wf.getnframes())
32    x = frombuffer(x, dtype="int16") / 32768.0 #-1 ~ 1
33
34    # FIRフィルタをかける
35    b = [1, -0.97]
36    y = fir(x, b)
37
38    # 正規化前のバイナリデータに戻す
39    y = [int(v * 32767.0) for v in y]
40    y = struct.pack("h" * len(y), *y)
41
42    # 音声を保存
43    save(y, fs, 16, "fir_test.wav")

スペクトログラム表示

#coding:utf-8
import wave
from pylab import *

if __name__ == "__main__":
    # WAVEファイルから波形データを取得
    #wf = wave.open("fir_test.wav", "r")
    wf = wave.open("data/VOICEACTRESS100_092.wav", "r")
    data = wf.readframes(wf.getnframes())
    data = frombuffer(data, dtype="int16")
    length = float(wf.getnframes()) / wf.getframerate()  # 波形長さ（秒）
    
    # FFTのサンプル数
    #48000Hz * 30ms = 1440
    N = 2048
    #FFTのシフト長
    #N - 48000Hz * 10ms
    nlap = N - 48000 * 0.01
    
    # FFTで用いるハミング窓
    hammingWindow = np.hamming(N)

    # スペクトログラムを描画
    pxx, freqs, bins, im = specgram(data, NFFT=N, Fs=wf.getframerate(), noverlap=nlap, window=hammingWindow)
    axis([0, length, 0, wf.getframerate() / 2])
    xlabel("time [second]")
    ylabel("frequency [Hz]")

    show()