文献

J-GLOBAL ID：201702258870786267   整理番号：17A0218028

話者クラスタリングに基づく短時間発話音声認識

著者 (5件)： 関博史 (豊橋技科大 情報・知能工学系) ,  榎並大介 (豊橋技科大 情報・知能工学系) ,  ZHU Faqiang (豊橋技科大 情報・知能工学系) ,  山本一公 (豊橋技科大 情報・知能工学系) ,  中川聖一 (豊橋技科大 情報・知能工学系)
資料名： 電子情報通信学会論文誌 D(Web)
巻： J100-D  号： 1  ページ： 81-92 (WEB ONLY)  発行年： 2017年01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： 音声認識システムにおいて話者の多様性は認識精度を低下させる大きな要因となるため,システムを対象話者に適応させる話者適応に関する研究がこれまで活発に行われてきた。しかし,提案されている多くの話者適応手法は数十秒から数分程度の適応データを想定しており,短時間発話に対する適応は考慮されていない。そこで本研究では,短時間発話を対象とした話者適応技術の提案を行う。そのために,学習データのクラスタリングを基に話者クラスを定め,この話者クラス群をモデル化した混合ガウス分布と発話との間の対数ゆう度で話者の情報を表現する。これらの対数ゆう度を話者情報として使用し,かつ話者情報推定に使用する発話長を発話先頭0.5秒と制限することで,短時間発話認識のための話者適応技術の評価を行う。評価実験の結果,話者情報を音響特徴量とともにDNN(Deep Neural Network)へ入力することで,話者情報を使用しない場合と比較して7%の相対誤り削減率を得ることができ,短時間発話に対する本手法の有効性が明らかになった。(著者抄録)

シソーラス用語： 人間 ,  分類 ,  *音声認識 ,  *ニューラルネットワーク ,  *適応 ,  正規分布 ,  尤度関数 ,  音響特性 ,  数値 ,  ケプストラム ,  *隠れMarkovモデル ,  短期
準シソーラス用語： *DNN-HMM ,  音声特徴量 ,  混合Gauss分布 ,  対数尤度 ,  *発話認識 ,  不特定話者 ,  話者クラスタリング ,  *話者適応 ,  短時間

分類 (1件)： パターン認識  (JE07000S)

引用文献 (39件)：

• J.G. Wilpon and C.N. Jacobsen, “A study of speech recognition for children and the elderly,” Proc. International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp.349-352, 1996.
• M. Padmanabhan, L.R. Bahl, D. Nahamoo, and M.A. Picheny, “Speaker clustering and transformation for speaker adaptation in large-vocabulary speech recognition systems,” Proc. International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp.71-77, 1998.
• 芳澤伸一,馬場 朗,松浪加奈子,米良祐一郎,山田実一, 李 晃伸,鹿野清宏,“十分統計量と話者距離を用いた音韻モデルの教師なし学習法,” 信学論(D),vol.J85-D, no.3, pp.382-389, March 2002.
• K. Konno, M. Kato, and T. Kosaka, “Speech recognition with large-scale speaker-class-based acoustic modeling,” Proc. APSIPA, pp.1-4, 2013.
• M. Naito, L. Deng, and Y. Sagisaka, “Speaker clustering for speech recognition using vocal tract parameters,” Speech Commun., pp.305-315, 2002.

タイトルに関連する用語 (3件)： 話者クラスタリング ,  発話 ,  音声認識