複数音声認識システムを用いた音声中の検索語検出の検討

摘要

This paper describes a spoken term detection (STD) technique using syllable transition networks (STNs) derived from multiple speech recognition systems' outputs. In the proposed technique, an index for retrieving a query term consists of syllable-based confusion networks which are constructed by combining multiple outputs of speech recognizers. Although the index is robust to the speech recognition errors and the out-of-vocabulary problem, the index produces a number of false detection errors on the STD task. Therefore, we designs a simple filter which can control the false detection errors. The experiment of STD showed that our technique was very effective at detecting out-of-vocabulary terms, improving recall rate to 0.71 from the baseline.%本稿では，複数の音声認識システムを用いた普声中の検索語検出について述べる.提案手法では，モデルの異なる複数の音声認識システムの認識結果から，コンフュージョンネットワークの形で，検索用のインデックスを構築する.このインデックスを利用することで，音声認識誤りや未知語に対して頑健な検索が期待できる.構築したインデックスでは単純な検索方法では湧き出し誤りが大量に発生してしまう.この湧き出し誤りを抑制するために簡単なフィルタを実装した.実験の結果，提案手法の潜在的な有効性を示すことができた.特に検索語が未知語である場合において0.71という高い再現率が得られた.