構造表象を用いた音声認識におけるパラメータ共有とその効果(認識,理解,対話,一般)

概要

論文の詳細を見る
性別、年齢、音響機器などの非言語的要因によって音声の音響特徴は不可避的に変動し、音声認識率を下げる要因となっているが、近年、これらの要因に影響されない音声の不変的・構造的表象が提案されている。これは音の絶対量ではなく相対量に基づく音声表象であり、音声ストリームをN個の分布列へと変換した後に、_NC_2個ある分布間距離、即ちエッジ長を計算する。語彙がL語ある場合、合計L×_NC_2個のエッジ長を統計的にモデル化することになる。今回の報告では、不変表象であることを考慮し、学習話者一人の場合に構造的音声認識がどのような傾向を示すのかを実験的に検討する。構造表象は発話スタイルの影響を直接的に受ける。そのため、話者間の発話スタイル差異を吸収するためにパラメータ共有を導入し、その効果について検証した。また、従来のHMMを用いた枠組みでも同様の実験を行ない、パラメータ共有の効果について比較した。両実験結果を踏まえ、音声によって伝搬される言語情報は音の実体、或は、音の差異のいずれに符号化された情報なのか、について考察する。
社団法人電子情報通信学会の論文
2008-07-10