文字単位のモデルを併用した単語単位のEnd-to-End 音声認識

摘要

従来のDNN-HMM ハイブリッド音声認識より簡単な構造で実現できるEnd-to-End 音声認識に関して研究が近年なされている。End-to-End 音声認識はHMM のような潜在状態の遷移をモデル化する必要はなく，直接音響特徴量から目的の記号(音素や文字など) を推定でき，高速なデコーディングが実現できる。従来のEnd-to-End 音声認識は出力単位を音素や音節、文字などのサブワードとしており，依然として単語系列を出力する際には発音辞書や言語モデルを必要とする。これに対して，音響特徴量から単語を直接出力とするモデルも研究されている[3]。RNN を用いることで言語モデルも含めることができるので，単語単位のモデルは言語モデルが必要なく，非常に簡潔で高速な認識が実現できる。しかし単語単位モデルでは訓練データのスパース性と，未知語が認識不可能なことが問題として挙げられる。そこで本研究では文字を出力系列とするモデルを併用した単語単位End-to-End 音声認識を提案する。文字を出力単位とするモデルを併用することで訓練データの得られない問題を緩和することができる。また文字単位モデルは単語単位モデルが未知語を出力した際のデコードにも使用する。