言語情報と言語・非言語現象を同時認識する音声認識モデルの構築

• Item type: SIG Technical Reports(1)
• 公開日: 2023-06-16
• タイトル: 言語情報と言語・非言語現象を同時認識する音声認識モデルの構築
• タイトル / 言語: en
• タイトル: Automatic speech recognition model simultaneously recognizes linguistic information and verbal/non-verbal phenomena
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 一般発表
• 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: 豊橋技術科学大学
• 著者所属: 豊橋技術科学大学
• 著者所属: 豊橋技術科学大学
• 著者所属(英): en
• 著者所属(英): Toyohashi University of Technology
• 著者所属(英): en
• 著者所属(英): Toyohashi University of Technology
• 著者所属(英): en
• 著者所属(英): Toyohashi University of Technology
• 著者所属(英): en
• 著者所属(英): Toyohashi University of Technology
• 著者名: 塩根, 凪人; 若林, 佑幸; 北岡, 教英
• 著者名(英): Nagito, Shione; Yukoh, Wakabayashi; Norihide, Kitaoka
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年では音声認識の技術が進歩しているが，言語情報だけ認識するものが多く，言語・非言語現象を認識できない．そこで本研究は，言語情報だけでなく多種類の言語・非言語現象も同時認識する音声認識モデルを提案する．認識する言語・非言語現象は，フィラー・笑い・疑問系上昇調・発話の終了・言い誤り・語のいいさし・小さい声の発話・会話の流れに関わる発話・方言や外国語の発話である．また，言語・非言語現象を示すタグの付与位置による音声認識への影響の調査を行った．実験の結果，日本語日常会話コーパスにおいて言語・非言語現象タグを言語情報の前に付与する認識を行う音声認識モデルが，文字誤り率の観点から最適であることを示した．また，言語・非言語現象の同時認識によって，音声認識精度向上に繋がることがわかった．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Although speech recognition technology has advanced in recent years, most of them recognize only linguistic information and cannot recognize verbal/non-verbal (VNV) phenomena. In this study, we propose a speech recognition model that simultaneously recognizes various types of VNV phenomena and linguistic information. The VNV phenomena to be recognized are filler, laughter, rising intonation in questions, end of speech, word errors, word restarts, small speech, speech related to the flow of conversation, and speech in dialects and foreign languages. In addition, we investigated the effect of the position of tags indicating VNV on speech recognition. The experimental results demonstrated that the best speech recognition model for the CEJC database was the one in which the VNV phenomenon tag was annotated before the linguistic information in the transcribed text. We also showed that the accuracy of speech recognition is improved by recognizing VNV phenomena.
• 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: AN10438388
• 書誌情報: 研究報告音楽情報科学（MUS）; 巻 2023-MUS-137, 号 61, p. 1-5, 発行日 2023-06-16
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8752
• 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