後向きLSTM言語モデルとアンサンブル符号化器を用いたNベストリスコアリングのための一対仮説比較モデルの改良

摘要

ニューラルネットワーク(neural network: NN) の導入により音声認識の精度は飛躍的に向上したものの，雑音環境下での音声認識や自然発話に対する音声認識においては，その精度は依然として満足できるものではない．これらの状況下において認識精度を向上させる手法として，音声認識仮説のN ベストリスコアリングが行われている．現在，N ベストリスコアリングで用いられるモデルとしては，recurrent NN (RNN) に基づく言語モデル(language model: LM) が広く用いられている．その中でも，long short-term memory (LSTM) に基づくLM (LSTMLM) が，特に高い精度を示すモデルとして用いられている[3]．しかし，RNNLM は本来，過去の単語列から現在の単語の生起確率を予測するためのモデルであり，N ベストリスコアリングを行うために考案されたモデルではない．