@techreport{oai:ipsj.ixsq.nii.ac.jp:02009886,
 author = {木山,大輔 and 原,直},
 issue = {12},
 month = {May},
 note = {本研究では，構音障害者の会話支援を目的として，日本語における特定話者の音声認識精度の向上を目指す．構音障害者の発声は健常者とは大きく異なり，発話が不明瞭となる傾向があるため，従来の音声認識技術では高精度な認識が困難である．そこで，口唇映像と音声の両モダリティを利用した視聴覚音声認識（Audio-Visual Speech Recognition：AVSR）に着目し，AV-HuBERTを基盤とした段階的ファインチューニング手法を提案する．さらに，ターゲット話者の学習データ量を変化させ，データによる話者適応の効果を検証する．本手法では，まず健常話者の日本語データを用いた言語適応，次に複数の構音障害話者による話者非依存適応，最後にターゲット話者による話者依存適応を行う．評価指標には音素誤り率（Phoneme Error Rate: PER）を用いる．実験の結果，AV-HuBERTが日本語への適応に成功していることが確認された．また，構音障害話者への適応評価では，提案方式が最も低いPERを示した．さらに，ターゲット話者の学習データは約50文で大きな性能改善が得られ，それ以上の増加による効果は限定的であった．これにより，少量データでの話者適応の有効性が示された．},
 title = {口唇映像を用いたマルチモーダル音声認識における構音障害者のための話者適応の検討},
 year = {2026}
}