文献

J-GLOBAL ID：201902238865594288   整理番号：19A0610551

話者適応のためのディープニューラルネットワークに基づく音声認識内のフィルタバンク層の識別学習

Discriminative Learning of Filterbank Layer within Deep Neural Network Based Speech Recognition for Speaker Adaptation

著者 (5件)： SEKI Hiroshi (Department of Computer Science and Engineering, Toyohashi University of Technology) ,  YAMAMOTO Kazumasa (Department of Computer Science, Chubu University) ,  AKIBA Tomoyosi (Department of Computer Science and Engineering, Toyohashi University of Technology) ,  NAKAGAWA Seiichi (Department of Computer Science and Engineering, Toyohashi University of Technology) ,  NAKAGAWA Seiichi (Department of Computer Science, Chubu University)
資料名： IEICE Transactions on Information and Systems (Web)  (IEICE Transactions on Information and Systems (Web))
巻： E102.D  号： 2  ページ： 364-374(J-STAGE)  発行年： 2019年 
JST資料番号： U0469A  ISSN： 1745-1361  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： 英語 (EN)

抄録/ポイント： ディープニューラルネットワーク(DNN)は自動音声認識の分野で大きな成功を収めている。DNNの主な利点の1つは,人手を介さずに自動特徴抽出を行うことである。しかしながら,限られた利用可能なデータの下での適応は,それらの膨大な自由パラメータのために,DNNベースのシステムにとって依然として大きな課題である。本稿では,フィルタ形状/中心周波数を表すフィルタバンク層とDNNに基づく音響モデルを組み合わせたフィルタバンク内蔵DNNを提案する。フィルタバンク層および提案モデルの後続のネットワークは,階層的特徴抽出の利点を利用することによって共同で訓練され,一方,ほとんどのシステムは,予め定義されたメルスケールフィルタバンク特徴をDNNへの入力音響特徴として使用する。フィルタバンク層のフィルタは,いくつかのパラメータを最小にしながら話者特性を表すようにパラメータ化される。1つのタイプのパラメータの最適化は声道長正規化(VTLN)に対応し,他のタイプは特徴空間最大線形尤度回帰(fMLLR)および特徴空間識別線形回帰(fDLR)に対応する。フィルタバンク層はほんの少数のパラメータからなるため,限られた利用可能なデータの下での適応において有利である。実験では,フィルタバンクを組み込んだDNNは,限られた適応データの下で話者/性別適応において有効性を示した。CSJタスクに関する実験結果は,提案モデルの適応が非適応モデルに対して10発話で5.8%の単語誤り減少率を示すのを実証した。(翻訳著者抄録)

シソーラス用語： *適応 ,  *ニューラルネットワーク ,  *音声認識 ,  *フィルタバンク ,  *弁別学習 ,  特徴抽出 ,  周波数 ,  モデル ,  特性 ,  空間 ,  回帰分析 ,  正規化
準シソーラス用語： *ディープニューラルネットワーク ,  音響モデル ,  音響特徴 ,  自動音声認識 ,  線形回帰 ,  中心周波数 ,  特徴空間 ,  *話者適応

著者キーワード (5件)： 音声認識 ,  ディープニューラルネットワーク ,  音響モデル ,  話者適応 ,  フィルタバンク学習

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

引用文献 (50件)：

• [1] G. Hinton, L. Deng, D. Yu, G.E. Dahl, A.-R. Mohamed, N. Jitaly, A. Senior, V. Vanhoucke, P. Nguyen, T.N. Sainath, and B. Kingsbury, “Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups,” IEEE Signal Process. Mag., vol.29, no.6, pp.82-97, 2012. 10.1109/msp.2012.2205597
• [2] T.N. Sainath, R.J. Weiss, A. Senior, K.W. Wilson, and O. Vinyals, “Learning the speech front-end with raw waveform CLDNNs,” Proc. Interspeech, pp.1-5, 2015.
• [3] H.B. Sailor and H.A. Patil, “Novel unsupervised auditory filterbank learning using convolutional RBM for speech recognition,” IEEE Trans. Audio, Speech, Language Process., vol.24, no.12, pp.2341-2353, 2016. 10.1109/taslp.2016.2607341
• [4] Z. Zhu, J.H. Engel, and A. Hannun, “Learning multiscale features directly from waveforms,” Proc. Interspeech, pp.1305-1309, 2016. 10.21437/interspeech.2016-256
• [5] Z. Chen, S. Watanabe, H. Erdogan, and J.R. Hershey, “Speech enhancement and recognition using multi-task learning of long short-term memory recurrent neural networks,” Proc. Interspeech, pp.3274-3278, 2015.

タイトルに関連する用語 (5件)： 話者適応 ,  ディープニューラルネットワーク ,  音声認識 ,  フィルタバンク ,  識別学習