統計的発話交代・話者モデルを用いた複数話者対話音声の認識

スポンサーリンク

概要

論文の詳細を見る
従来の音声認識では、入力は一人の話者の音声であることが前提とされていた。しかしながら、対談のディクテーションや人間共生型ロボットのインターフェースなどのアプリケーションでは、交互に発話される複数話者の音声を認識する必要がある。複数話者の対話認識を扱う場合、認識システムは従来のように何を話したかだけでなく、誰がどこまで話したのかを知る必要がある。本研究では、連続音声認識システムにおける言語モデルに話者交代の生じ易さの表現を含めるとともに、話者性の尤度を与える統計モデルを導入することで、複数話者による対話音声に対し、各音声区間の発話者と発話内容とを同時に最尤推定するアルゴリズムを提案した。TVのスポーツニュースにおける対話部分を対象とした認識実験の結果、発話内容の認識と別個に各話者の発話区間の認識を行なう方法に比べ、提案手法は発話内容の認識で7.7%、発話者の認識で97.8%誤りを改善できることが明らかになった。
社団法人電子情報通信学会の論文
1999-08-06

著者

関連論文

もっと見る

スポンサーリンク