雑音環境における複数モデルを用いた十分統計量に基づく教師なし話者適応(ポスターセッション)(第6回音声言語シンポジウム)

概要

論文の詳細を見る
音声認識において,話者ごとに異なる話者の声の特性を考慮して,音韻モデルの話者適応の研究が行われている.一方で,性別や年齢層などの話者クラスごとに学習したクラス依存音韻モデルを用いることで,不特定話者モデルよりも認識精度は向上する.本研究では,多様な音声データベースが整備されつつある現状を背景に,HMM十分統計量に基づく教師なし話者適応を複数のデータベースおよび複数の初期モデルに拡張する.従来法では単一の不特定話者モデルから適応を行っていたが,提案手法では年齢層や性別などの複数のクラス依存書簡モデルを元に適応を行うことで初期モデルの改善を図る.まず,入力音声に対してGMMから最も音響的特徴の近い話者集合を抽出する.その際に,そのリスト中の近傍話者の属するクラスから,入力音声に最も近いクラス依存音韻モデルを適訳する.その後,それを基準モデルとして,そのクラスに対応する近傍話者の十分統計量から音韻モデルを再構築する.JNAS成人および高齢者のデータベースを用い,オフィス・人混み・展示会場ブース・車室内の各雑音環境において評価を行ったところ,従来手法に比べて精度が向上することが確かめられた.さらに,教師あり適応のMLLR法と比較したところ,10文章による教師あり適応よりもよい精度が得られることが示された.
社団法人電子情報通信学会の論文
2004-12-14

雑音環境における複数モデルを用いた十分統計量に基づく教師なし話者適応(ポスターセッション)(第6回音声言語シンポジウム)

スポンサーリンク

概要

著者

関連論文

スポンサーリンク