文献

J-GLOBAL ID：201902264441691179   整理番号：19A0496180

ディープリカレントニューラルネットワークに基づく調音とスペクトル情報融合【JST・京大機械翻訳】

Articulatory and Spectrum Information Fusion Based on Deep Recurrent Neural Networks

著者 (3件)： Yu Jianguo (Human Interface Lab, University of Aizu, Fukushima, Japan) ,  Markov Konstantin (Human Interface Lab, University of Aizu, Fukushima, Japan) ,  Matsui Tomoko (Department of Statistical Modeling, Institute of Statistical Mathematics, Tokyo, Japan)
資料名： IEEE/ACM Transactions on Audio, Speech, and Language Processing  (IEEE/ACM Transactions on Audio, Speech, and Language Processing)
巻： 27  号： 4  ページ： 742-752  発行年： 2019年 
JST資料番号： W0508B  ISSN： 2329-9290  CODEN： ITASFA  資料種別： 逐次刊行物 (A)
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： 多くの研究は,調音特徴が自動音声認識システムの性能を著しく改善できることを示している。残念ながら,このような特徴は認識時間では利用できない。この問題を解決するための2つの主要なアプローチがある:特徴ベースのアプローチ,最も一般的な例は,音声信号から失われた調音特徴を生成し,モデル構造とパラメータにおいて音響特徴のみを用いて認識を可能にするモデルベースのアプローチである。本論文では,調音情報を音素認識システムに統合するための2つの新しい方法を提案した。それらの一つは特徴ベースであり,他はモデルベースである。両ケースにおいて,基礎となる音響モデル(AM)は,深いニューラルネットワーク隠れMarkovモデル(DNN-HMM)ハイブリッドである。特徴ベースの方法において,調音反転DNNと音響モデルDNNを,それらの損失関数の線形結合を用いて共同で訓練した。モデルベースの方法において,著者らはAM DNNを訓練するために一般化された蒸留フレームワークを利用した。この場合,最初に,教師DNNを音響と調音特徴の両方で訓練し,その出力を音響特徴のみを用いたAM DNN訓練中の追加目標として用いた。XRMBデータベースからの42人の話者を用いた7回の交差検証実験は,提案した方法が音響特徴のみで訓練されたDNN音響モデルに関して約22%から25%の性能改善を提供することを示した。Copyright 2019 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： 音響 ,  *スペクトル ,  隠れMarkovモデル ,  *調音 ,  モデル ,  蒸留 ,  データベース ,  *ニューラルネットワーク ,  音声信号
準シソーラス用語： 検証実験 ,  話者 ,  音響モデル ,  音素認識 ,  モデルベース ,  音響特徴 , 【Automatic Indexing@JST】

分類 (2件)： 音声処理  (JE05000E) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 調音 ,  スペクトル ,  情報融合