音声対話システムのためのキーワードの共起制約に基づくスポッティングアルゴリズムの評価

摘要

質問応答型の音声対話システムにおいて，ユーザ発話中のキーワードに基づいて応答を選択する場合，入力音声全体をデコードするよりも重要語であるキーワードのみを抽出することで頑健な発話理解が期待できる．また，発話の意図は複数のキーワードの組み合わせで表わされるとすると，それをセット単位で抽出することが望ましい．本研究では，音声対話システムのための複数キーワードのスポッティングアルゴリズムについて，大語彙ガーベージモデルを用いて，探索中にキーワード間にセットの共起制約を直接適用するアルゴリズムを提案する．制約を探索中に動的に適用することで，効率よく制約を与えることができ，頑健なキーワードセットの抽出が可能になると期待できる．この手法を大語彙音声認識エンジンJulius の第1パスおよび第2パスの両方に実装した．認識実験により，スポッティングは従来のディクテーションを使用した手法に比べてキーワードの抽出性能が向上したことを確認した．また，探索中にキーワード制約を与えないスポッティングよりも制約を与えたスポッティングは相対で最大約12.5％キーワード抽出性能が向上した．本稿では，150 キーワードの小規模タスク，およびたけまるくんのタスクにおける評価結果について報告する．%Question-answering dialogue system often choose a response sentence based on recognized keywords in a user's utterance. In such case, a robust utterance understanding can be achieved by recognizing only the keywords, skipping irrelevant part of speech, rather than decoding the whole input speech. Also, since the intention of an utterance can be expressed as combination of keywords (keyword set) rather than a set of single keyword, it is desirable to extract the keywords as keyword sets. In this study, we propose an algorithm which directly applies the keyword set constraints by consulting their co-occurrences during search using a large vocabulary garbage model. By applying the constraints dynamically while search, it suppresses unnecessary hypotheses and thus expected to perform more efficiently and result in more robust intention detection. The proposed keyword-set spotting algorithm is implemented on large vocabulary continuous speech recognition decoder "Julius" fully on both passes. We evaluated the performance of the proposed method. It was confirmed that the recognition rate of keywords by spotting was superior to the dictation-based method. In addition, keyword spotting constrained by co-occurrences improved the keyword extraction rate by about 12.5 % relatively at the maximum. In this paper, we report the evaluation results in a small task of 150 keywords and the Takemaru task.