音声認識アルゴリズムの最前線

摘要

This paper reviews recent advances in speech recognition algorithms. Although there are many algorithms used for speech recognition, decoding algorithms are the focus of this paper, which finds the most likely word sequence for a given speech input. State-of-the-art speech recognition systems employ hidden Markov models for acoustic modeling, word N-gram models for language modeling, and time-synchronous Viterbi beam search for decoding. The decoding algorithm is currently used in the framework of Weighted Finite-State Transducer (WFST)-based speech recognition, which is known as the most efficient approach. This paper mainly describes recent advances in the WFST-based approach, and also some related topics such as consensus decoding, parallel decoding, search optimization, and template-based approach. Finally, some perspectives on the decoder technology are presented.%本稿では，音声認識アルゴリズムの最近の進展について概説する．音声認識に関連するアルゴリズムは数多く存在するが，本稿では入力音声に対して最も尤もらし単語列を探索するデコーダ技術に着目する．近年の大語彙連続音声認識のデコーダは時間同期Viterbiビーム探索がベースとなっており，多くの場合，音響モデルには隠れマルコフモデル，言語モデルには単語Ⅳグラムが用いられる．そして，このデコーダを動作させる現在最も有力なアプローチは重み付き有限状態トランスデューサ（Weighted Finite-State Transducer：WFST）による音声認識である．本稿ではWFSTを中心に近年のデコーダ技術を紹介すると共に，コンセンサスデコーディング並列化，探索最適化，テンプレートベース音声認識といったWFST以外の話題にも触れ，今後のデコーダ技術の展望について述べる．