文献

J-GLOBAL ID：201802247864739571   整理番号：18A1771828

話者ビームによる単一チャネル標的話者抽出と認識【JST・京大機械翻訳】

Single Channel Target Speaker Extraction and Recognition with Speaker Beam

著者 (5件)： Delcroix Marc (NTT Communication Science Laboratories, NTT Corporation, Kyoto, Japan) ,  Zmolikova Katerina (Brno University of Technology, Speech@FIT and IT4I Center of Excellence, Czechia) ,  Kinoshita Keisuke (NTT Communication Science Laboratories, NTT Corporation, Kyoto, Japan) ,  Ogawa Atsunori (NTT Communication Science Laboratories, NTT Corporation, Kyoto, Japan) ,  Nakatani Tomohiro (NTT Communication Science Laboratories, NTT Corporation, Kyoto, Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICASSP  ページ： 5554-5558  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,音声信号の混合におけるターゲット話者の単一チャネル音声認識の問題に取り組んだ。話者を抽出し認識するために,ターゲット話者からの適応発話により提供される補助話者情報を利用することを提案した。このような補助情報を用いて,混合物中の音源数に依存しない話者抽出ニューラルネットワーク(NN)を構築することができ,混合物の音声認識のための従来手法で生じる2つの挑戦課題である異なる発話を通して話者を追跡することができる。本論文では,話者適応層を用いて話者抽出を行うために,話者適応層を用いて音声を追跡することを可能とする,話者適応層を用いた話者抽出方式を提案する。本論文では,単一チャネル話者抽出にも効率的であることを示した。話者適応層は,認識前に音声混合信号から目標音声を抽出する目標話者またはマスクベース話者抽出ネットワークのみを認識する話者適応音響モデルを構築するために使用できる。また,後者の話者抽出ネットワークを,ASR性能をさらに改善するために,音響モデルと共同で最適化できることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 音声認識 ,  最適化 ,  ネットワーク ,  音源 ,  ニューラルネットワーク ,  音声信号 ,  *チャネル ,  発話
準シソーラス用語： 混合信号 ,  話者適応 ,  音響モデル ,  *話者 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 話者 ,  ビーム ,  チャネル ,  標的