文献

J-GLOBAL ID：201602202723132257   整理番号：16A0353482

雑音環境下音声認識のためのディープニューラルネットワークを用いた識別的区分線形変換

著者 (4件)： 柏木陽佑 (東大 大学院工学系研究科) ,  齋藤大輔 (東大 大学院情報理工学系研究科) ,  峯松信明 (東大 大学院工学系研究科) ,  広瀬啓吉 (東大 大学院情報理工学系研究科)
資料名： 電子情報通信学会論文誌 D(Web)
巻： J99-D  号： 3  ページ： 255-263 (WEB ONLY)  発行年： 2016年03月01日 
JST資料番号： U0473A  ISSN： 1881-0225  資料種別： 逐次刊行物 (A)
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： 本論文では,ディープニューラルネットワークを用いた区分的線形変換による統計的特徴量強調の拡張を提案する。本提案手法の目的は,雑音環境下音声認識を想定した特徴量領域における雑音除去を目的とし,観測された音声特徴量から対応する静音環境下での音声特徴量の再現を行うことである。その際,ニューラルネットワークを用いて,観測された雑音環境下の音声特徴量より,ガウス混合分布でクラスタリングされた静音環境下における音声特徴量の領域を識別する。その後,各領域に対応する線形変換をニューラルネットワークにより得られる事後確率を重みとして足し合わせることで静音環境下での音声特徴量を推定する。これによって,ニューラルネットワークのもつ高い識別性能と,従来の生成モデルに基づく特徴量マッピング手法のもつ高い汎化性能の融合を狙う。Aurora-2データベースを用いた連続音声認識実験により,提案手法は従来の区分線形変換法の一つであるStereo-based Piecewise LInear Compensation for Environments(SPLICE)と比較して,雑音が既知の条件では53.72%単語誤り率を削減することができた。更に,ニューラルネットワークを回帰モデルとして用いたオートエンコーダと比較した場合,雑音環境が未知な条件で26.96%の単語誤り率の削減が可能となった。(著者抄録)

シソーラス用語： *音声認識 ,  音環境 ,  雑音 ,  騒音 ,  *ニューラルネットワーク ,  *雑音除去 ,  情報 ,  クラスタ化 ,  機械学習
準シソーラス用語： クラスタリング ,  *ディープニューラルネットワーク ,  雑音環境 ,  深層学習 ,  特徴量

分類 (1件)： パターン認識  (JE07000S)

引用文献 (17件)：

• M.J.F. Gales, “Model-based approaches to handling uncertainty,” in Robust Speech Recognition of Uncertain or Missing Data, pp.101-125, Springer, 2011.
• J. Droppo, L. Deng, and A. Acero, “Evaluation of the SPLICE algorithm on the Aurora2 database,” INTERSPEECH, vol.1, pp.217-220, 2001.
• J. Droppo, L. Deng, and A. Acero, “Evaluation of splice on the aurora 2 and 3 tasks,” INTERSPEECH, vol.1, pp.29-32, 2002.
• J. Li, M.L. Seltzer, and Y. Gong, “Improvements to vts feature enhancement,” 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp.4677-4680, 2012.
• M. Afify, X. Cui, and Y. Gao, “Stereo-based stochastic mapping for robust speech recognition,” IEEE Trans. Audio Speech Language Process., vol.17, no.7, pp.1325-1334, 2009.

タイトルに関連する用語 (5件)： 雑音環境 ,  音声認識 ,  ディープニューラルネットワーク ,  識別 ,  線形変換