十分統計量を用いた教師なし話者適応における話者選択法

• Item type: SIG Technical Reports(1)
• 公開日: 2007-12-20
• タイトル: 十分統計量を用いた教師なし話者適応における話者選択法
• タイトル / 言語: en
• タイトル: Speaker Selection for Unsupervised Speaker Adaptation based on HMM Sufficient Statistics
• 言語: jpn
• 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: 日本電気株式会社中央研究所
• 著者所属: 日本電気株式会社中央研究所
• 著者所属: 日本電気株式会社中央研究所
• 著者所属: 日本電気株式会社中央研究所
• 著者所属: 東京工業大学情報理工学研究科
• 著者所属(英): en
• 著者所属(英): Central Research Laboratories, NEC Corporation
• 著者所属(英): en
• 著者所属(英): Central Research Laboratories, NEC Corporation
• 著者所属(英): en
• 著者所属(英): Central Research Laboratories, NEC Corporation
• 著者所属(英): en
• 著者所属(英): Central Research Laboratories, NEC Corporation
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Engineering, Tokyo Institute of Technology
• 著者名: 谷, 真宏; 江森, 正; 大西祥史; 越仲, 孝文; 篠田, 浩一
• 著者名(英): Masahiro, TANI; Tadashi, EMORI; Yoshifumi, OHNISHI; Takafumi, KOSHINAKA; Koichi, SHINODA
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 十分統計量を用いた教師なし話者適応において，選択する話者の数を決定する手法を提案する．音声認識における高速な教師なし話者適応の一つとして，話者毎の十分統計量を用いた手法が提案されている．これは，予め用意した複数の話者の中から，評価話者に音響的な特徴が近い話者を選択し，選択された話者の十分統計量を用いて，評価話者に適応した音響モデルを構築する手法である．従来手法では，評価話者に音響的な特徴が近い話者を選択する際，複数の話者の中から，予め定められた数だけ選択する．提案手法では，評価話者と予め用意した話者との音響特徴量空間における話者間距離を基準に，選択する話者の数を決定する．電話による対話音声を用いた認識実験において，従来手法に比較し，単語正解精度が 0.74 ポイント向上した．特に，音響的な特徴が近い話者が少ない評価話者に対して有効であることを確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: We propose a new speaker selection method for the unsupervised speaker adaptation based on HMM sufficient statistics. The adaptation technique of using HMM sufficient statistics has been proposed as one of the rapid unsupervised speaker adaptation techniques in speech recognition. The procedure is as follows: First the training speakers acoustically close to the test speaker are selected. Then, the acoustic model is trained using the HMM sufficient statistics of these selected training speakers. In this technique, the number of selected training speakers is always constant. In our proposed speaker selection method, the number of speakers is determined by the distances between the test speaker and each training speaker. In our recognition experiments using spoken dialogue data, the proposed method improved word accuracy by 0.74 points. It was confirmed that the proposed method particularly effective when there are not many training speakers around the test speaker in acoustic space.
• 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: 情報処理学会研究報告音声言語情報処理（SLP）; 巻 2007, 号 129(2007-SLP-069), p. 85-89, 発行日 2007-12-20
• 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