文脈を考慮した確率的モデルによる話し言葉の整形

摘要

Automatic speech recognition (ASR) results contain not only recognition errors, but also disfluencies and colloquial expressions that are not appropriate for inclusion in official transcripts. In order to correct these phenomena and create natural transcripts, we treat ASR results (or faithful transcripts) and official transcripts as different languages and use techniques from statistical machine translation (SMT) to "translate" between the two. In this paper, we present two novel methods in this framework. First, we introduce a technique to create context-sensitive translation models, improving the modeling accuracy. Second, we use log-linear interpolation to combine the translation model's joint and conditional probabilities, allowing for frequently observed patterns to be given higher priority. A system containing these improvements was implemented using weighted finite state transducers, and an evaluation was performed on transcripts from meetings of the Japanese Diet (national congress).%自動音声認識（ASR）の結果には認識誤りのみならず，言いよどみや口語的表現など，会議録にふさわしくない現象が多く含まれている.これらの現象を整形し，自然な会議録を作成するために，認識結果（または忠実な書き起こし）と会議録を異なる言語とみなし，統計的機械翻訳を用いて認識結果から会議録へと“翻訳”する.本研究では，この枠組みの中で2つの手法を提案する.まず，文脈情報を考慮した翻訳モデルを導入し，システムのさらなる精度向上を目指す.また，翻訳モデルの条件付き確率と同時確率の対数線形補間を行うことで，高頻度の翻訳パターンを優先的に利用することを可能とする.有限状態トランスデューサー（WFST）による実装を行い，国会会議録と音声認識結果を用いた評価実験を行った.