AURORA-2 タスク雑音環境下音声認識における雑音にロバストな特徴抽出法とモデル補償

スポンサーリンク

概要

論文の詳細を見る
雑音環境下の音声認識において, 筆者らはこれまで雑音にロバストな特徴量抽出法や音響モデルの補償方法についてAURORA2タスクを用いた評価を行ってきた.Multi condition学習データを利用できる場合においては, 加法性雑音に対してDPS(Differential Power Spectrum)に基づいた特徴量が最も良い性能を示し, さらにこの方法が伝送経路による歪みに対しても有効であることがわかった.これに対し, 学習データとしてclean speechしか使えない場合には, 音響モデルの補償を行う方法が良い性能を示した.評価実験の結果, 提案する特徴量抽出法を用いることでMulti condition学習データを用いる場合, 22%の改善を得た.また, 提案するモデル補償法を用いることでcleanな学習データを用いる場合, 63%の改善が見られた.
社団法人電子情報通信学会の論文
2001-12-13

著者

関連論文

スポンサーリンク