文献

J-GLOBAL ID：201502202321683526   整理番号：15A0393567

声質変換を用いた音声特徴量疑似生成による話者適応

Data Augmented Speaker Adaptation of Acoustic Models via Voice Conversion

著者 (5件)： 芦原孝典 (NTT メディアインテリジェンス研) ,  浅見太一 (NTT メディアインテリジェンス研) ,  青野裕司 (NTT メディアインテリジェンス研) ,  政瀧浩和 (NTT メディアインテリジェンス研) ,  阪内澄宇 (NTT メディアインテリジェンス研)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 114  号： 411(SP2014 127-134)  ページ： 13-18  発行年： 2015年01月15日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 短報  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 音声認識システムにおいて,ある特定の話者の認識精度を高める為に,音響モデルパラメータを話者に適応化する手法はいくつも提案されてきた。一般的に,このような話者適応手法は,認識しようとする話者(対象話者)の学習データ量に依存して,その効果が上下する事が報告されている。しかしながら,対象話者の音声データを話者適応効果が飽和するまで十分収集することは,実システムにおいては非常に困難である。そこで本稿では,音響モデルにおける話者適応の効果をより一層高めるため,対象話者の音声データを声質変換手法に基づき疑似的に生成する枠組みを提案する。ここで声質変換手法の利用に際し,本枠組みにおいては,データベース上に認識対象話者とは異なる話者(変換元話者)の音声データを所有し,なお且つ,その変換元話者の発話の一部は,対象話者の発話と同一内容で収集されているシチュエーションを考える。このようなパラレルデータを元に声質変換モデルを学習しておくことで,対象話者の音声データを変換元話者から新たに疑似生成しておく事が可能となり,話者適応実行時の学習データを増大させる事が可能になる。なお,声質変換用モデルとして,本稿においてはニューラルネットワークを用いた。提案法を評価するために,2人の話者(話者A,話者B)において,出力層のみパラメータ更新した話者適応モデルと,提案法により疑似生成されたデータも含めた話者適応モデルとの比較実験を行い,話者Aでは約0.3ポイント,話者Bでは約0.8ポイントの改善が確認された。(著者抄録)

シソーラス用語： *音声認識 ,  精度 ,  モデル ,  適応 ,  データ ,  *音声データベース ,  音声処理 ,  信号変換 ,  信号発生 ,  発生 ,  ニューラルネットワーク ,  音響特性 ,  数値 ,  音声生成 ,  音声特徴量 ,  学習データ ,  神経回路網モデル ,  音声変換
準シソーラス用語： ニューラルネットワークモデル ,  音響モデル ,  音声データ ,  声質変換 ,  認識精度 ,  話者適応

分類 (2件)： パターン認識  (JE07000S) ,  音声処理  (JE05000E)

引用文献 (18件)：

• M.J.F. Gales, “ Maximum likelihood linear transformations for HMM based speech recognition, in Computer Speech and Language, 1998, pp.75-98.
• C.H. Lee, C.H. Lin, B.H. Juang, “ A study on speaker adaptation of the parameters of continuous density hidden Markov models, “ IEEE Transactions on Signal Processing, vol. 39, no. 4, pp. 806-814, 1991.
• H. Liao, “ Speaker adaptation of context dependent deep neural networks,“ in International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2013, pp. 7947-7951.
• K. Yao, D. Yu, F. Seide, H. Su, L. Deng, and Y. Gong, “Adaptation of context-dependent deep neural networks for automatic speech recognition, “ in Spoken Language Technology Workshop (SLT), 2012, pp. 366-369.
• G. Saon, H. Soltau, D. Nahamoo, and M. Picheny, “Speaker adaptation of neural network acoustic models using i-vectors, “ in Automatic Speech Recognition and Understanding Workshop (ASRU), 2013, pp. 55-59.

タイトルに関連する用語 (3件)： 声質変換 ,  音声特徴量 ,  話者適応