文献

J-GLOBAL ID：201502223151991600   整理番号：15A0216194

CSJを用いた日本語講演音声認識へのDNN-HMMの適用と話者適応の検討

著者 (2件)： 三村正人 (京大 学術情報メディアセ) ,  河原達也 (京大 学術情報メディアセ)
資料名： 情報処理学会研究報告(Web)  (IPSJ Technical Report (Web))
巻： 2013  号： SLP-97  ページ： WEB ONLY VOL.2013-SLP-97,NO.9  発行年： 2013年07月18日 
JST資料番号： U0451A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 近年,深い階層構造を持つニューラルネットワーク(DNN)とHMMを組み合わせたハイブリッド型モデル(DNN-HMM)の有効性が種々の音声認識タスクで報告されている。本研究では,DNN-HMMを『日本語話し言葉コーパス』(CSJ)を用いて構築し,種々の日本語講演音声タスクで評価を行う。また,類似話者を用いたネットワークの再学習による適応手法を提案する。DNN-HMMはCSJの評価セットに対して,従来のGMM-HMMより2.5%高い認識精度を示した。また,階層を増やす毎に認識精度が向上した。CSJと音響条件や話題の異なるシンポジウムの講演音声に対しても,すべての話者で認識精度が向上し,平均で5.4%の向上があった。話者適応実験では,類似話者を用いた手法により2%精度が向上した。さらに,認識対象音声の初期認識結果と類似話者の両者を用いた再学習により3.4%精度が向上した。(著者抄録)

シソーラス用語： *音声認識 ,  *隠れMarkovモデル ,  *日本語 ,  コーパス ,  話し言葉 ,  タスクパフォーマンス ,  機械学習 ,  Gauss模型 ,  精度 ,  評価試験 ,  実験 ,  人間
準シソーラス用語： Gauss混合モデル ,  認識精度 ,  被験者実験 ,  *話し言葉コーパス ,  話者

分類 (3件)： パターン認識  (JE07000S) ,  システム・制御理論一般  (IA02010H) ,  情報加工一般  (AC05010A)

引用文献 (17件)：

• G.E.Hinton, S.Osindero and Y.Teh: A fast learning algorithm for deep belief nets, Neural Computation, Vol. 18, pp. 1527-1554 (2006).
• G.E.Hinton, L.Deng, D.Yu, G.Dahl, A.Mohamed, N.Jaitly, A.Senior, V.Vanhoucke, P.Nguyen, T.Sainath and B.Kingsbury: Deep neural networks for acoustic modeling in speech recognition, IEEE Signal Processing Magazine, Vol. 29, No. 6, pp. 82-97 (2012).
• A.Mohamed, G.Dahl and G.Hinton: Acoustic modelling using deep belief networks, IEEE Trans. Audio, Speech, & Language Proc., Vol. 20, No. 1, pp. 14-22 (2012).
• G.E.Dahl, D.Yu, L.Deng and A.Acero: Context-dependent pre-trained deep neural networks for large vocabulary speech recognition, IEEE Trans. Audio, Speech, & Language Proc., Vol. 20, No. 1, pp. 30-42 (2012).
• F.Seide, G.Li and D.Yu: Conversational speech transcription using context-dependent deep neural networks, Proc. Interspeech, pp. 437-440 (2011).

タイトルに関連する用語 (5件)： 日本語 ,  講演 ,  音声認識 ,  DNN-HMM ,  話者適応