認識時に非観測な変動要因を考慮可能な音響モデリング

• Item type: SIG Technical Reports(1)
• 公開日: 2003-12-18
• タイトル: 認識時に非観測な変動要因を考慮可能な音響モデリング
• タイトル / 言語: en
• タイトル: Acoustic modeling in consideration of unknown variation factors at the time of recognition
• 言語: eng
• 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: 名古屋工業大学
• 著者所属: 名古屋工業大学
• 著者所属: 名古屋工業大学
• 著者所属: 名古屋大学
• 著者所属: 名古屋工業大学
• 著者所属: 名古屋工業大学
• 著者所属(英): en
• 著者所属(英): Department of Computer Science and Engineering, Nagoya Institute of Technology
• 著者所属(英): en
• 著者所属(英): Department of Computer Science and Engineering, Nagoya Institute of Technology
• 著者所属(英): en
• 著者所属(英): Department of Computer Science and Engineering, Nagoya Institute of Technology
• 著者所属(英): en
• 著者所属(英): Department of Media Science, Nagoya University
• 著者所属(英): en
• 著者所属(英): Department of Computer Science and Engineering, Nagoya Institute of Technology
• 著者所属(英): en
• 著者所属(英): Department of Computer Science and Engineering, Nagoya Institute of Technology
• 著者名: 鈴木, 浩之; 全, 炳河; 南角, 吉彦; 宮鳥, 千代美; 徳田, 恵一; 北村, 正
• 著者名(英): Hiroyuki, Suzuki; Heiga, Zen; Yoshihiko, Nankaku; Chiyomi, Miyajima; Keiichi, Tokuda; Tadashi, Kitamura
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文では，話者の声質や雑音など，認識時に非観測な変動要因を考慮した音声認識手法を提案する．連続音声認識における音響モデルとして，triphoneなどの前後の音素環境を考慮した音素環境依存モデルが広く利用されている．これらのモデルでは音響的な変動要因に対し音素を個別にモデル化することにより，モデルの精度を向上させることを目的にしている．本研究では，話者の声質や雑音なども音素の音響的な変動要因として考慮してモデルを構築する．このモデルを用いた認識では，triphoneにおける前後の音素や単語内の位置などが言語情報から与えられるのに対し，音声や雑音は認識時には未知であるため、何らかの方法でそれらの変動要因を決定する必要がある．この問題に対し，本研究では、認識時に非観測な変動要因を考慮したモデルを混合分布として統合することにより，入力音声が未知であっても認識可能な手法を提案する．音声認識実験の結果，提案法は従来法と比較して高い認識率が得られた．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: This paper proposes a speech recognition technique based on acoustic models which can take unknown variation factors (speaker voice characteristic, noise environment) into account at the time of recognition. Context-dependent acoustic models, which are typically triphone HMMs, are often used in continuous speech recognition systems. These methods which enhance the accuracy of acoustic models via the respective modeling of phonemes according to the factors in acoustic variation. This work hypothesizes that the speaker voice characteristics that humans can perceive by listening and the noise environment are also factors of acoustic variation in construction of acoustic models, and a tree-based clustering technique is also applied to speaker voice characteristics and noise environments to construct proposed acoustic models. In speech recognition using triphone models, the neighboring phonetic context is given from the linguistic-phonetic knowledge in advance; in contrast, the variation factors as voice characteristics and noise environments of input speech are unknown in recognition using proposed acoustic models. This paper proposes a method of recognizing speech even under conditions where the variation factors of the input speech are unknown. The result of a gender-dependent speech recognition experiment shows that the proposed method achieves higher recognition performance in comparison to conventional methods.
• 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 2003, 号 124(2003-SLP-049), p. 157-162, 発行日 2003-12-18
• 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