感情音声認識におけるDNNおよびCNNボトルネック特徴量の検討

• Item type: SIG Technical Reports(1)
• 公開日: 2015-11-25
• タイトル: 感情音声認識におけるDNNおよびCNNボトルネック特徴量の検討
• タイトル / 言語: en
• タイトル: Exploring CNN and DNN Bottleneck Features for Emotional Speech Recognition
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: ポスターセッション
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属: 奈良先端科学技術大学院大学情報科学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science, Nara Institute of Science and Technology (NAIST)
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science, Nara Institute of Science and Technology (NAIST)
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science, Nara Institute of Science and Technology (NAIST)
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science, Nara Institute of Science and Technology (NAIST)
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science, Nara Institute of Science and Technology (NAIST)
• 著者名: 向原, 康平; サクリアニ, サクティ; 吉野, 幸一郎; グラム, ニュービッグ; 中村, 哲
• 著者名(英): Kohei, Mukaihara; Sakriani, Sakti; Koichiro, Yoshino; Graham, Neubig; Satoshi, Nakamura
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 話者感情の揺らぎは音声へ影響を与え，音声認識システムにおいてモデルとのミスマッチを発生させ認識精度を悪化させる．本研究では，DNN ボトルネック特徴量および CNN ボトルネック特徴量を用いることを提案し，感情音声認識精度の改善を図る．ボトルネック構造のニューラルネットワークによって特徴量変換を施したボトルネック特徴量は，入力音声の変動に対して頑健な音響特徴量を抽出できることが示されている．ボトルネック特徴量とは，中間層のユニット数を少なくしたボトルネック構造の多層ニューラルネットワークから抽出する特徴量である．ボトルネック特徴量は特徴量強調が行われ，感情音声のゆらぎに左右されない音素の本質的な成分を抽出されていることが期待されている．本実験では感情音声に対してボトルネック特徴量変換を行い，それぞれの特徴量で GMM-HMM 音響モデルを再学習する．この時のボトルネック音響モデルの感情音声に対する精度向上を確認する．また他の特徴量変換手法と組み合わせることで認識精度の向上を図る．DNN，CNN ボトルネック特徴量を用いた認識精度はそれぞれのベースラインと比較し，認識精度の改善が確認できた．また他の特徴量変換手法の組み合わせにより認識精度の向上を確認できた．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Emotion influences the speech and degrades. Therefore emotional speech degrades ASR quality due to the mismatch between input speech and the acoustic model. In this study, we focus on feature transformation methods to solve this mismatch. We propose a tandem approach using DNN bottleneck features and CNN bottleneck features for emotional speech recognition. The bottleneck features are made by a deep neural network hidden layer that has a smaller number of nodes than other layers. We hypothesize that bottleneck sturucture can extract features and bottleneck features represent essential features of phonemes. By using bottleneck features for emotional speech recognition, we confirm that results improve results compared with other feature transformation methods. In addition, we combine the proposed methods and other feature transformation methods to improve emotional speech recognition.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10442647
• 書誌情報: 研究報告音声言語情報処理（SLP）; 巻 2015-SLP-109, 号 15, p. 1-6, 発行日 2015-11-25
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8663
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会