抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ここ数十年で正常な音声を目標とする自動音声認識(ASR)技術の急速な進歩にもかかわらず,構音と高齢音声の正確な認識は,今日まで非常に挑戦的な課題のままである。年齢と音声病理学重症度レベルにわたる変動性とさらに複合したとき,通常音声で通常見られる不均一性の源は,話者間で大きな多様性を創り出す。この目的のために,話者適応技術は,そのようなユーザに対するASRシステムの個人化において重要な役割を果たす。構音的不正確さ,減少した体積と明瞭度,より遅い発話速度,および増加したジスフルネスにおいて系統的に現れる,異常性,高齢,および正常音声の間の分光-時間レベル差によって動機づけられて,SVD音声スペクトル分解を用いて誘導した新規分光時間部分空間基底深部埋込み特徴を,最先端のハイブリッドDNN/TDNNとエンドツーエンドコンフォーマー音声認識システムの補助特徴ベースの話者適応を容易にするために本論文で提案した。実験は4つのタスク,英語のUASpeechとTORGOの構音音声コーパス;英語DementiaBank PittとCantonese JCCOCC MoCA高齢音声データセット。提案した分光-時間深層特徴適応システムは,単語誤り率(WER)において,ベースラインi-VectorおよびxVector適応を,最大2.63%絶対(8.63%相対)削減まで上回った。学習隠れユニット寄与(LHUC)を用いたモデルベースの話者適応がさらに適用された後に,一貫した性能改善が維持された。提案したスペクトルベース埋込み特徴を用いた最良の話者適応システムは,16の構音話者のUASpeechテストセットにおいて,25.05%の最低公開WERを生成した。【JST・京大機械翻訳】