音声認識のための動的特徴を効果的に用いる隠れマルコフモデルに関する研究

有效利用动态特征进行语音识别的隐马尔可夫模型研究

• 批准号: 13780274
• 负责人: 山本 一公
• 金额: $ 1.47万
• 依托单位: Shinshu University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Young Scientists (B)
• 财政年份: 2001
• 资助国家: 日本
• 起止时间: 2001 至 2002
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-13780274/
• 关键词: 音声認識; 音響モデル; 隠れマルコフモデル(HMM); 音節モデル; 音素環境依存モデル; 音節連鎖モデル; 状態; 分布共有; 最小記述長(MDL)基準; 隠れマルコフモデル; セグメント統計量; 動的特徴; 可変長セグメント; 混合数

本研究では、音声の動的特徴に対するHMMの性能を改善するため、複数の連続するスペクトルを1つの特徴ベクトルとして扱うセグメント単位入力HMMを改良して用いることと、音声の動的特徴をより正確にモデル化するために音響モデルとして従来の音素より長い音節あるいは音節連鎖を用いることの2つの方法を導入した。セグメント単位入力HMMの改良では、可変長セグメントの可能性を探ったが、現在までに確固たる成果を得ることはできなかった。音素よりも長い音響モデル単位を用いる方法については、最初に音素環境依存音節モデルについて検討を行った。まず左音素環境依存モデルとして、5母音、撥音、促音の7モデルを左音素とする音節モデルを作成したが、通常の音節モデルに対して有意な認識精度を向上を得られなかった。次に、右音素環境依存モデルとして、摩擦音、破擦音などの8グループを右音素とする音節モデルを作成したが、こちらも有意な認識精度の向上を得られなかった。続いて、音節連鎖モデルについての検討を行った。このモデルは現在一般的に広く用いられているトライフォンモデルよりも長い音素環境に依存したモデルとなる。音節連鎖モデルの作成においては、「音節モデルを2つ連鎖させることによる音節連鎖モデル」と「音素モデルを4つ連鎖させることによる音節モデル」の両者を検討した。音素モデルを4つ連鎖させる場合は、同じ音素の状態で分布を共有することによりモデル当たりの学習データの減少を防いだ。また、両手法で状態ごとに最小記述長(MDL)基準を導入しガウス分布数を最適化することで、学習データを効率よく利用した。これにより、文法を用いない連続音節認識実験(音節タイプライタ)において、従来使用していた音節モデル(音節正確率77.5%、音節正解精度64.9%)から、大きく認識精度を改善(音節正解率84.8%、音節正解精度77.8%)することができた。

This study で は, voice の moving 徴 に す seaborne る HMM の improvement を す る た め, plural の 続 す る ス ペ ク ト ル を 1 つ の, 徴 ベ ク ト ル と し て Cha う セ グ メ ン ト 単 a HMM into force を improved し て in い る こ と と, voice の moving 徴 を よ り right に モ デ ル change す る た め に sound モ デ ル と し て 従 to の phonemes よ り long The monosyllables ある, を, and the chain of を are introduced by using the を る, る, と, と, 2, and <s:1> methods を to introduce た and た. セ グ メ ン ト 単 a HMM into force の improved で は, long can - セ グ メ ン ト の possibility を agent っ た が, now ま で に really solid た を る achievements have る こ と は で き な か っ た. Phoneme よ り も long い sound モ デ ル 単 a を with い る method に つ い て は, initially に phonemes environment dependent syllable モ デ ル に つ い て 検 line for を っ た. ま ず left phonemes environment dependent モ デ ル と し て, 5 vowels, dial tone, and promote the sound の 7 モ デ ル を left phonemes と す る syllable モ デ ル を made し た が, usually の syllable モ デ ル に し seaborne て intentionally な meet precision を upward を ら れ な か っ た. Time に phonemes, right environment dependent モ デ ル と し て, fricatives, affricates な ど の 8 グ ル ー プ を right phonemes と す る syllable モ デ ル を made し た が, こ ち ら も intentionally な meet precision の を upward ら れ な か っ た. Youdaoplaceholder0 て て, syllable linkage モデ に に に て て 検 検 to を line った. こ の モ デ ル は now generally に hiroo く with い ら れ て い る ト ラ イ フ ォ ン モ デ ル よ り も long い に dependent phoneme environment し た モ デ ル と な る. Syllable chain モ デ ル の made に お い て は, "syllable モ デ ル を 2 つ chain さ せ る こ と に よ る syllable chain モ デ ル" と "phoneme モ デ ル を 4 つ chain さ せ る こ と に よ る syllable モ デ ル" の struck the を beg し 検 た. Phoneme モ デ ル を 4 つ chain さ せ は る occasions, with じ で distribution of phonemes の を mutual す る こ と に よ り モ デ ル when た り の learning デ ー タ の reduce を い prevention だ. ま た, struck で state ご と に account minimum length (MDL) benchmark を import し ガ ウ ス distribution number を optimization す る こ と で, learning デ ー タ を sharper rate よ く using し た. こ れ に よ り, grammar を い な い even know be 続 syllable 験 (syllables タ イ プ ラ イ タ) に お い て, 従 using し て い た syllable モ デ ル (77.5% accuracy, syllables positive solution accuracy 64.9%) か ら, big き く meet precision を positive (positive solution rate 84.8%, syllables solution accuracy 77.8%) す る こ と が で き た.