Feature-wise Pre-training を用いた音声・言語特徴からの質問発話検出

摘要

本研究では，入力音声が質問発話かを二値分類する質問発話検出の精度向上に取り組む．質問発話検出の応用例として，音声対話システムにおける発話理解や会議のインデキシングなどが挙げられる．質問発話検出の従来手法として，音響特徴量を用いた深層学習モデルに基づく手法[3] が提案されている．本稿では，さらなる検出精度向上のため，音響特徴量に加えて言語特徴量を用いる質問発話検出手法を検討する．しかし，音響特徴量と言語特徴量を組み合わせた場合，単純な学習手法では質問発話検出精度の向上が困難であることが予想される．これは，質問発話にはどちらかの特徴量にのみ質問の特徴が現れる発話が存在する(例えば，「明日？」という発話は音響特徴量にのみ質問発話の特徴が現れる) が，単純な学習手法ではどちらかの特徴量にのみ質問の特徴が表れていることが分からず，どちらの特徴量にも質問の特徴が表れているかのように学習を行う可能性があるためである．そこで本稿では，上記課題の解決に向けた，音響特徴量と言語特徴量を組み合わせた質問発話検出モデルの新たな学習方法の提案を行う．