暗黙的言語情報を置換するCTCデコーダを用いたストリーミング音声認識

• Item type: SIG Technical Reports(1)
• 公開日: 2023-06-16
• タイトル: 暗黙的言語情報を置換するCTCデコーダを用いたストリーミング音声認識
• タイトル / 言語: en
• タイトル: Streaming End-to-End speech recognition using a CTC decoder with substituted linguistic information
• 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: 日本電信電話株式会社
• 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): NTT Corporation
• 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: 高城, 巽成; 小川, 厚徳; 北岡, 教英; 若林, 佑幸
• 著者名(英): Tatsunari, Takagi; Atsunori, Ogawa; Norihide, Kitaoka; Yukoh, Wakabayashi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 音声認識技術は，音声認識モデルの精度向上により，さまざまな分野で利用されているが，学習に用いるデータと認識対象となるデータのドメインが異なる場合，認識精度が低下する．この問題を解決する方法として，大量のテキストで学習された言語モデルを用いる様々な手法が提案されている．近年では，音声認識モデルと言語モデルの統合方法として Shallow Fusion を拡張した Density Ratio Approach (DRA) が提案されている．しかしながら，日本語音声において CTC デコーダを用いたストリーミング可能な音声認識モデルでの DRA の適用は，未だに検討されていない．そこで本研究では，CTC デコーダを用いたストリーミング音声認識にて DRA によるドメイン適応を行った．ストリーミング処理を可能とするために，デコーダにてフレーム単位で逐次的に言語情報を置換していくことで，greedy search による認識結果を得る．また，CTC の条件付き独立性の仮定について考慮し，置換する言語情報を選択した. 実験の結果から提案手法を用いることで認識精度が向上することを示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Speech recognition technology has been employed in various fields due to the enhancement of speech recognition model accuracy. However, when the domain of the data used for training differs from that of the data to be recognized, recognition accuracy declines. To address this issue, several approaches utilizing language models trained on extensive text data have been proposed. Recently, the Density Ratio Approach (DRA), an extension of Shallow Fusion, has been introduced as a method for integrating speech recognition models with language models. Nevertheless, the application of DRA to streaming speech recognition models using a CTC decoder for Japanese speech has not been investigated. In this study, we conducted domain adaptation using DRA in streaming speech recognition with a CTC decoder. To facilitate streaming processing, the decoder successively replaces linguistic information on a frame-by-frame basis, obtaining recognition results through greedy search. Furthermore, we selected the linguistic information to be replaced, considering the assumption of conditional independence of CTC. Experimental results demonstrate that the proposed method enhances recognition accuracy.
• 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 2023-SLP-147, 号 31, 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: 2188-8663
• 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