要素技術の再構成・再解釈に着眼したニューラルネット音声認識システムの高度化

本年度は、非言語情報の違いに頑健な特徴量表現に着目したニューラルネットワーク音声認識に関する研究を行った．現在の音声認識の精度はニューラルネットワークを用いた音声認識の出現により高いものとなってきたが，雑音や話者の違いなどに起因する非言語情報により認識性能が低下するという問題がある．そのため，非言語情報を適切に取り扱う枠組みがニューラルネットワーク音声認識においても非常に重要であると言える．従来の生成モデルに基づくアプローチは，生成モデルのパラメータの意味づけの容易さによって，非言語情報の操作に対する大きなバックグラウンドを持つ．これに対してニューラルネットワークは高い性能を持つが，非常に複雑なモデル構造を持つため，パラメータの意味づけと操作が直感的でなく困難であるという問題があった．そこで，非言語情報，特に話者の違いに対する理論的バックグラウンドを持つ音声の構造的表象をニューラルネットワークにより計算する手法を提案した．これは，構造的表象の要素である分布間距離をニューラルネットワークによる識別的アプローチにより推定するものである．これにより，音声学的知見をニューラルネットワークへ導入することが可能となり幅広い応用が可能となった．提案した手法の有効性を特徴量ドメイン，音響モデルドメインにおける従来手法に導入することで評価し，それぞれのドメインにおいて従来のアプローチを越える性能が実現できた．

本年度は、非言語情報の違いに頑健な特徴量表現に着目したニューラルネットワーク音声認識に関する研究を行った．現在の音声認識の精度はニューラルネットワークを用いた音声認識の出現により高いものとなってきたが，雑音や話者の違いなどに起因する非言語情報により認識性能が低下するという問題がある．そのため，非言語情報を適切に取り扱う枠組みがニューラルネットワーク音声認識においても非常に重要であると言える．従来の生成モデルに基づくアプローチは，生成モデルのパラメータの意味づけの容易さによって，非言語情報の操作に対する大きなバックグラウンドを持つ．これに対してニューラルネットワークは高い性能を持つが，非常に複雑なモデル構造を持つため，パラメータの意味づけと操作が直感的でなく困難であるという問題があった．そこで，非言語情報，特に話者の違いに対する理論的バックグラウンドを持つ音声の構造的表象をニューラルネットワークにより計算する手法を提案した．これは，構造的表象の要素である分布間距離をニューラルネットワークによる識別的アプローチにより推定するものである．これにより，音声学的知見をニューラルネットワークへ導入することが可能となり幅広い応用が可能となった．提案した手法の有効性を特徴量ドメイン，音響モデルドメインにおける従来手法に導入することで評価し，それぞれのドメインにおいて従来のアプローチを越える性能が実現できた．