連続単語認識における認識結果の逐次早期確定アルゴリズムの評価

摘要

音声認識システムにおいて，ユーザの入力発話に対する応答の遅延は入力インターフェースとして重要な課題である．遅延を軽減しユーザに早期のフィードバックを行う方法として，これまでに，仮説を部分的に確定していくことで逐次的に結果を出力する仮説早期確定手法などが提案されてきた．我々は音声システムにおけるさらに高速，低遅延な応答速度の実現を目指し，これまでに，孤立単語認識を対象として仮説ネットワーク（木構造化辞書）の構造および認識処理中のフレームどとの状態尤度を用いて，入力の途中で探索を打ち切り発話終了よりも前に仮説を確定する手法を提案してきた．本稿では，この手法を連続単語認識へと拡張した手法を提案する．評価実験では，14単語の小規模な連続発声タスクにおいて，各単語の発話終了よりも平均的0.053 秒前に，認識精度を劣化させることなく各仮説の確定ができた．8738 単語の駅名の連続発声タスクにおいては，各単語の発話終了から平均約 0.48 秒の遅延で，各仮説の確定ができた．また，音響モデルの規模による比較を行った結果も報告する．%Minimizing response delay of speech recognition system and giving rapid feed backs are important properties for an intuitive, easy-to-use speech interfaces. Many studies has been conducted to improve the response delay, such as making progressive outputs while recognition process "after" the words are half-determined in the context. In order to achieve higher speed input responses, we have proposed an algorithm to determine the most likely hypothesis "before" the utterance ends. The method has been examined for isolated word recognition, and this paper extends it for continuous word recognition. Experimental evaluations were performed for tasks of various vocabulary size. The result at a small vocabulary task with 14 words has shown that our proposed algorithm can determine each word for about 0.053 second prior to the actual end of speech on average, without any degradation of recognition accuracy. Another result on a station names recognition task with vocabulary size of 8738 has shown that our proposed algorithm can determine each word for about 0.48 second on average after the actual end of speech. The comparison results on various acoustic models are also reported.